Explainable Online Unsupervised Anomaly Detection for Cyber-Physical Systems via Causal Discovery from Time Series

要約

オンラインで監視なしで異常を検出することは、サイバー物理システムの正しい動作と、それらと対話する人間の安全を保証するために非常に重要です。
ニューラル ネットワークを介した深層学習に基づく最先端のアプローチは、異常認識において優れたパフォーマンスを達成し、システムの正常なモデル (異常のない) とセンサー時系列のリアルタイム ストリームとの間の不一致を評価します。
ただし、通常は大量のトレーニング データと時間が必要であり、異常の原因を特定して予測メンテナンスを実装するには説明可能性が依然として課題です。
この論文では、因果発見を使用してシステムの正常な因果グラフを学習し、センサー データのリアルタイム取得中に因果関係の持続性を評価して、異常を迅速に検出します。
2 つのベンチマーク異常検出データセット上で、私たちの手法のトレーニング効率が高く、最先端のニューラル アーキテクチャの精度を上回り、$>10$ の異なる異常の原因を正確に特定できることを示しました。
実験的レプリケーションのコードは http://tinyurl.com/case24causal にあります。

要約(オリジナル)

Online unsupervised detection of anomalies is crucial to guarantee the correct operation of cyber-physical systems and the safety of humans interacting with them. State-of-the-art approaches based on deep learning via neural networks achieve outstanding performance at anomaly recognition, evaluating the discrepancy between a normal model of the system (with no anomalies) and the real-time stream of sensor time series. However, large training data and time are typically required, and explainability is still a challenge to identify the root of the anomaly and implement predictive maintainance. In this paper, we use causal discovery to learn a normal causal graph of the system, and we evaluate the persistency of causal links during real-time acquisition of sensor data to promptly detect anomalies. On two benchmark anomaly detection datasets, we show that our method has higher training efficiency, outperforms the accuracy of state-of-the-art neural architectures and correctly identifies the sources of $>10$ different anomalies. The code for experimental replication is at http://tinyurl.com/case24causal.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google