Os autores propõem o CAAD, um framework para detecção de anomalias em séries temporais multivariadas que reformula o problema como verificar a consistência da causalidade de Granger por meio de variáveis exógenas.
- Modela variáveis de séries temporais exógenas como resíduos para identificar anomalias causadas por intervenções externas.
- Usa alinhamento multiescala para internalizar a dinâmica do sistema e uma matriz baseada em gradiente para monitorar o colapso das relações causais.
- Quantifica desvios causais tanto na evolução dinâmica quanto na topologia relacional para capturar mudanças sutis.
- Supera a maioria das linhas de base mais avançadas em conjuntos de dados industriais do mundo real.
O CAAD alcança alta precisão na detecção de anomalias ao abordar a interrupção das relações causais internas que os métodos existentes frequentemente negligenciam.