著者らは、外生変数を通じたグラングァ因果整合性の検証として問題を再構成する、多次元時系列の異常検出のためのフレームワークであるCAADを提案する。

  • 外部介入による異常を特定するために、外生時系列変数を残差としてモデル化する。
  • システムダイナミクスを内部化するために多尺度アライメントを使用し、因果関係の崩壊を監視するために勾配ベースの行列を利用する。
  • 動的進化と関係トポロジーの両方で因果偏差を定量化し、微妙な変化を捉える。
  • 実際の産業用データセットにおいて、ほとんどの最先端のベースラインを上回る性能を示す。

CAADは、既存の方法がしばしば見逃す内部の因果関係の分断に対処することで、高精度の異常検出を実現する。