The demand for time series anomaly detection spans numerous domains, including finance, healthcare, and cloud computing. The system moderator reviews the detection results and takes appropriate actions to resolve the issue. However, understanding the rationale behind the detection remains challenging. In the absence of an explanation of the detection, it is unlikely that the moderator will be convinced that the system is practical. Our study is the first to present an example-based framework that breaks new ground for explaining time series anomalies. We incorporate the domains of psychology, human-computer interaction, and artificial intelligence to design an effective example-based technique. The proposed method selects a convincing example from the past sequence and quantitatively evaluates its quality. Experiments demonstrate that the example-based approach is more intuitive than explanation-by-rules and explanation-by-features. Plus, the adoption of a variational autoencoder network significantly improves the quality of examples.
시계열 이상치 탐지 수요는 금융, 의료 및 클라우드 컴퓨팅을 비롯한 수많은 영역에 분포한다. 이 때 시스템 중재자는 탐지 결과를 검토하고 문제를 해결하기 위해 적절한 조치를 취하는 역할을 한다. 그러나 탐지의 근거를 이해하는 것은 여전히 어렵고, 탐지 결과에 대한 설명이 제공되지 않으면 중재자가 시스템이 실용적인 것이라고 확신할 가능성이 낮다. 본 연구는 시계열 이상치 설명의 새로운 방식으로서 예시 기반 프레임워크를 제시한 최초의 연구이다. 심리학, 인간-컴퓨터 상호 작용 및 인공지능의 분야를 통합하여 효과적인 예시 기반 설명 방법을 설계한다. 본 연구에서 제안하는 프레임워크는 지난 시퀀스에서 설득력 있는 예시를 선택하고 그 품질을 정량적으로 평가한다. 사용자 테스트를 통해 예시 기반 접근 방식이 규칙 또는 특징 기반 설명보다 더 직관적임을 검증하며 조건부 변분 오토인코더 네트워크를 채택하여 예시의 품질을 크게 개선한다.
