新方法使用差分图对时间序列数据进行根本原因分析

研究人员开发了一种新的线性时间序列数据根本原因分析方法，重点在于识别异常期间因果系数发生变化的变量。这种方法被称为差分图发现，将比较两个种群的技术应用于时间序列背景，区分正常和异常运行状态。该方法在模拟数据上进行了评估，并在来自IT监控和重症监护的真实世界数据集上证明了其有效性，有助于定位异常系统行为背后的因果机制。 AI

影响 这项研究通过提供一种更精确的方法来识别潜在原因，有可能改进复杂系统中的异常检测和诊断。

排序理由 该条目是发表在arXiv上的一篇学术论文，详细介绍了一种新的根本原因分析方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• arXivLabs
• CatalyzeX Code Finder for Papers
• Connected Papers
• CORE Recommender
• DagsHub
• difference graph discovery
• Dynamic Structural Causal Models
• Gotit.pub
• Hugging Face
• Influence Flower
• Intensive care monitoring
• linear time-series data
• Litmaps
• root cause analysis
• ScienceCast
• scite Smart Citations

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →