Lei ZAN

Mr. Lei ZAN

Laboratoire d'informatique de Grenoble, Saint-Martin-d'Hères, France
orcid

Research Focus & Metrics

Academic Career Length

24Years (2003-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
2 September 2022 in Entropy
Verified
Journal Article
Open access
PDF file
LZLei ZAN
Lei ZAN
AMAnouar Meynaoui
Anouar Meynaoui
Charles K. AssaadCharles K. Assaad
Charles K. Assaad
EDEmilie Devijver
Emilie Devijver
EGEric Gaussier
Eric Gaussier
In this study, we focus on mixed data which are either observations of univariate random variables which can be quantitative or qualitative, or observations of multivariate random variables such that each variable can include both quantitative and qualitative components. We first propose a novel method, called CMIh, to estimate conditional mutual information taking advantages of the previously proposed approaches for qualitative and quantitative data. We then introduce a new local permutation test, called LocAT for local adaptive test, which is well adapted to mixed data. Our experiments illustrate the good behaviour of CMIh and LocAT, and show their respective abilities to accurately estimate conditional mutual information and to detect conditional (in)dependence for mixed data.

1 January 2003
Verified
Conference Paper
Open access
LZLei ZAN
Lei ZAN
GHG. Heijenk
G. Heijenk
MZM. El Zarki
M. El Zarki
The demands for multimedia and packet data services over wireless devices have increased over the past few years. The direct impact on performance makes scheduling for real-time traffic important. This paper presents a novel scheduling algorithm called fair channel-dependent scheduling which schedules packet delivery to mobile stations in a fair manner and at the same time takes into consideration the channel conditions for power efficiency. With added delay information for real-time traffic, this approach aims at delivering real-time traffic in a timely manner, while maintaining a balance between power conservation and fairness. Through comparative simulations with two conventional scheduling algorithms, we show that our scheme indeed achieves better overall performance than comparable scheduling schemes

21 October 2024
Verified
Conference Paper
Open access
LZLei ZAN
Lei ZAN
Charles K. AssaadCharles K. Assaad
Charles K. Assaad
EDEmilie Devijver
Emilie Devijver
EGEric Gaussier
Eric Gaussier
AAAli Aït-Bachir
Ali Aït-Bachir
This paper introduces a new structural causal model tailored for representing threshold-based IT systems and presents a new algorithm designed to rapidly detect root causes of anomalies in such systems. When root causes are not causally related, the method is proven to be correct; while an extension is proposed based on the intervention of an agent to relax this assumption. Our algorithm and its agent-based extension leverage causal discovery from offline data and engage in subgraph traversal when encountering new anomalies in online data. Our extensive experiments demonstrate the superior performance of our methods, even when applied to data generated from alternative structural causal models or real IT monitoring data.

21 October 2024
Verified
Conference Paper
Open access
LZLei ZAN
Lei ZAN
This paper explores three key aspects of causal discovery from heterogeneous time series. First, it introduces a method that uses (conditional) mutual information to determine (conditional) independence among diverse qualitative and quantitative variables, alongside a novel local permutation test. Next, the paper presents a new algorithm for identifying event-based causal relations in threshold-based IT systems for root cause analysis. This method is effective when root causes are not causally related, and an extension involving agent intervention is proposed to address this limitation. Both the algorithm and its extension utilize causal discovery from offline data and subgraph traversal for new anomalies in online data. Finally, the paper addresses time series with multiple piecewise consistent regimes, each having distinct causal mechanisms. The proposed method segments the time series into appropriate regimes and identifies the correct window causal graph, capturing both instantaneous and lagged connections within each regime. Experiments with synthetic data confirm the effectiveness of the proposed methods.

8 April 2026
Verified
Thesis
Closed access
LZLei ZAN
Lei ZAN
Découverte causale à partir de séries temporelles hétérogènes avec application aux données de surveillance informatique: Cette thèse explore le sujet de la découverte causale à partir de séries temporelles hétérogènes.Après une revue des concepts et algorithmes fondamentaux, cette thèse présente tout d'abord CMIh, une méthode exploitant l'information mutuelle (conditionnelle) pour évaluer l'indépendance (conditionnelle) entre des variables de types hétérogènes, englobant à la fois des données qualitatives et quantitatives. En utilisant cet estimateur, un nouveau test de permutation local est introduit, LocAT (Local Adaptive Test), adapté aux variables hétérogènes. Les expériences démontrent que CMIh et LocAT estiment efficacement l'information mutuelle conditionnelle et détectent l'(in)dépendance conditionnelle pour des variables hétérogènes. De plus, une intégration de LocAT dans PCMCI, une méthode de découverte causale basée sur les contraintes pour les séries temporelles, est présentée. Les tests sur des données réelles de surveillance informatique, y compris des journaux système de l'entreprise, révèlent qu'incorporer une gamme plus large de variables, en particulier hétérogènes, améliore la découverte des relations causales et la compréhension du système.Ensuite, un modèle causal structurel pour représenter les mécanismes causaux basés sur les événements dans les systèmes informatiques basés sur des seuils est présenté, ainsi qu'un nouvel algorithme, T-RCA, pour détecter rapidement les causes racines des anomalies. Cette méthode s'avère efficace lorsque les causes racines ne sont pas liées causalement, et une extension impliquant l'intervention d'agents est proposée pour traiter cette hypothèse. L'algorithme et son extension basée sur les agents utilisent la découverte causale à partir de données hors ligne et appliquent la traversée de sous-graphes pour les nouvelles anomalies dans les données en ligne. Des tests approfondis indiquent que ces méthodes surpassent les autres, même avec des données provenant de modèles causaux structurels alternatifs ou de données réelles de surveillance informatique.Enfin, la question des séries temporelles affichant plusieurs régimes cohérents en morceaux, chacun avec des mécanismes causaux distincts, est abordée. La méthode, regime-CBNB-w, est proposée pour partitionner les séries temporelles en régimes appropriés et identifier le graphe causal de fenêtre correct, incorporant à la fois des connexions instantanées et décalées dans chaque régime. Une analyse théorique soutient que les graphes causaux de fenêtre reconstruits dans chaque régime convergent vers le graphe véritable et que l'affectation des horodatages converge vers la vérité terrain. Les expériences avec des données synthétiques confirment l'efficacité de la méthode à affecter les horodatages aux régimes corrects et à découvrir le graphe causal de fenêtre précis dans chaque régime.