論文の概要: Ensemble Grammar Induction For Detecting Anomalies in Time Series
- arxiv url: http://arxiv.org/abs/2001.11102v1
- Date: Wed, 29 Jan 2020 21:33:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-05 21:03:48.230028
- Title: Ensemble Grammar Induction For Detecting Anomalies in Time Series
- Title（参考訳）: 時系列異常検出のためのアンサンブル文法インダクション
- Authors: Yifeng Gao, Jessica Lin, Constantin Brif
- Abstract要約: アンサンブル学習を利用した文法推論に基づく異常検出手法を提案する。
提案手法は既存の文法推論に基づく手法よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 6.161998499946999
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Time series anomaly detection is an important task, with applications in a
broad variety of domains. Many approaches have been proposed in recent years,
but often they require that the length of the anomalies be known in advance and
provided as an input parameter. This limits the practicality of the algorithms,
as such information is often unknown in advance, or anomalies with different
lengths might co-exist in the data. To address this limitation, previously, a
linear time anomaly detection algorithm based on grammar induction has been
proposed. While the algorithm can find variable-length patterns, it still
requires preselecting values for at least two parameters at the discretization
step. How to choose these parameter values properly is still an open problem.
In this paper, we introduce a grammar-induction-based anomaly detection method
utilizing ensemble learning. Instead of using a particular choice of parameter
values for anomaly detection, the method generates the final result based on a
set of results obtained using different parameter values. We demonstrate that
the proposed ensemble approach can outperform existing grammar-induction-based
approaches with different criteria for selection of parameter values. We also
show that the proposed approach can achieve performance similar to that of the
state-of-the-art distance-based anomaly detection algorithm.
- Abstract（参考訳）: 時系列異常検出は、様々な分野の応用において重要な課題である。
近年、多くのアプローチが提案されているが、多くの場合、前もって異常の長さが知られ、入力パラメータとして提供される必要がある。
これはアルゴリズムの実用性を制限し、そのような情報は事前に未知であることが多いし、異なる長さの異常がデータに共存する可能性がある。
この制限に対処するため,従来は文法帰納に基づく線形時間異常検出アルゴリズムが提案されている。
アルゴリズムは可変長パターンを見つけることができるが、離散化ステップでは少なくとも2つのパラメータの事前選択が必要である。
これらのパラメータ値を適切に選択する方法はまだオープンな問題です。
本稿では,アンサンブル学習を用いた文法インダクションに基づく異常検出手法を提案する。
異常検出のためにパラメータ値の特定の選択を使用する代わりに、異なるパラメータ値を用いて得られた一連の結果に基づいて最終結果を生成する。
提案手法は,パラメータ値選択の基準が異なる既存の文法インダクションに基づくアプローチよりも優れることを示す。
また,提案手法は,最先端距離に基づく異常検出アルゴリズムと同様の性能が得られることを示す。
関連論文リスト
- GraphSubDetector: Time Series Subsequence Anomaly Detection via Density-Aware Adaptive Graph Neural Network [24.37330736887409]
サブシーケンス異常検出,すなわちGraphSubDetectorに対する新しいアプローチを提案する。
まず、正規パターンと異常パターンの両方の特徴を強調する長さ選択機構を用いて、適切な列長を適応的に学習する。
第2に、サブシーケンス間のメッセージパッシングによる異常検出のための正規データの分散に対して、より堅牢な表現を生成できる密度対応適応グラフニューラルネットワーク(DAGNN)を提案する。
論文 参考訳（メタデータ） (2024-11-26T08:36:07Z) - Bagged Regularized $k$-Distances for Anomaly Detection [9.899763598214122]
BRDAD (Bagged regularized $k$-distances for Anomaly Detection) と呼ばれる距離に基づく新しいアルゴリズムを提案する。
我々のBRDADアルゴリズムは、重み付けされた密度推定のための$k$-distances(BWDDE)の実証的リスクの有限標本境界を最小化して重みを選択する。
理論的には,我々のアルゴリズムに対するAUCの高速収束率を確立し,バッグング手法が計算複雑性を著しく減少させることを示す。
論文 参考訳（メタデータ） (2023-12-02T07:00:46Z) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳（メタデータ） (2022-12-06T12:42:11Z) - Series2Graph: Graph-based Subsequence Anomaly Detection for Time Series [22.630676187747696]
長いシーケンスにおける後続異常検出は、幅広い領域の応用において重要な問題である。
本研究では,ドメイン列異常検出に適した教師なし手法を提案する。
本手法は,サブシーケンスの低次元非依存性埋め込みのグラフ表現に基づく。
論文 参考訳（メタデータ） (2022-07-25T13:55:43Z) - Diverse Counterfactual Explanations for Anomaly Detection in Time Series [26.88575131193757]
本稿では,時系列異常検出モデルに対する反実的アンサンブル説明を生成するモデル非依存アルゴリズムを提案する。
本手法は, 検出モデルでは異常とはみなされない, 元の時系列の複数バージョンを, 多様な逆実例として生成する。
我々のアルゴリズムは、任意の識別可能な異常検出モデルに適用できる。
論文 参考訳（メタデータ） (2022-03-21T16:30:34Z) - TiSAT: Time Series Anomaly Transformer [30.68108039722565]
本稿では,この評価基準により,初歩的なランダム・ギーズ法が最先端の検出器より優れていることを示す。
本研究では,逐次異常検出の時系列と精度を計測する適切な評価指標を提案する。
論文 参考訳（メタデータ） (2022-03-10T05:46:58Z) - E-detectors: a nonparametric framework for sequential change detection [86.15115654324488]
逐次的変化検出のための基本的かつ汎用的なフレームワークを開発する。
私たちの手順は、平均走行距離のクリーンで無症状な境界が伴います。
統計的および計算効率の両方を達成するために,これらの混合物を設計する方法を示す。
論文 参考訳（メタデータ） (2022-03-07T17:25:02Z) - Run2Survive: A Decision-theoretic Approach to Algorithm Selection based
on Survival Analysis [75.64261155172856]
生存分析(SA)は、自然に検閲されたデータをサポートし、アルゴリズムランタイムの分散モデルを学習するためにそのようなデータを使用する適切な方法を提供する。
我々は、アルゴリズム選択に対する洗練された決定論的アプローチの基礎として、そのようなモデルを活用し、Run2Surviveを疑う。
標準ベンチマークASlibによる広範な実験では、我々のアプローチは競争力が高く、多くの場合、最先端のASアプローチよりも優れていることが示されている。
論文 参考訳（メタデータ） (2020-07-06T15:20:17Z) - Accelerated Message Passing for Entropy-Regularized MAP Inference [89.15658822319928]
離散値のランダムフィールドにおけるMAP推論の最大化は、機械学習の基本的な問題である。
この問題の難しさから、特殊メッセージパッシングアルゴリズムの導出には線形プログラミング(LP)緩和が一般的である。
古典的加速勾配の根底にある手法を活用することにより,これらのアルゴリズムを高速化するランダム化手法を提案する。
論文 参考訳（メタデータ） (2020-07-01T18:43:32Z) - Implicit differentiation of Lasso-type models for hyperparameter
optimization [82.73138686390514]
ラッソ型問題に適した行列逆転のない効率的な暗黙微分アルゴリズムを提案する。
提案手法は,解の空間性を利用して高次元データにスケールする。
論文 参考訳（メタデータ） (2020-02-20T18:43:42Z) - Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。
我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
論文 参考訳（メタデータ） (2020-01-29T09:40:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。