## Memo ## Abstract セキュリティー、金融監視、健康リスクなど、実世界での応用範囲が広いため、様々なディープアノマリー検出モデルが提案され、最先端の性能を達成している。しかし、実際には、効果的であるだけでなく、何が異常な結果を引き起こし、さらにそれをどのように修正するかを知りたいという要望がある。そこで本研究では、因果関係の観点から根本原因の特定と異常の緩和を目指すRootCLAMを提案する。特に、外部介入による異常を正常な因果メカニズム上に想定し、外部介入による異常を根本原因として特定することを目指す。その後、因果メカニズムに導かれた反事実が正常であるように、異常な特徴に対する緩和行動を推奨し、異常な結果を元に戻すことを目的とした異常緩和アプローチを提案する。3つのデータセットを用いた実験により、我々のアプローチが根本原因を突き止め、さらに異常なラベルを反転させることができることを示す。