論文の概要: Two-Sample Testing for Event Impacts in Time Series

• arxiv url: http://arxiv.org/abs/2001.11930v1
• Date: Fri, 31 Jan 2020 16:13:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 06:46:28.672474
• Title: Two-Sample Testing for Event Impacts in Time Series
• Title（参考訳）: 時系列におけるイベントインパクトの2サンプルテスト
• Authors: Erik Scharw\"achter and Emmanuel M\"uller
• Abstract要約: 時系列と一連の観測イベント間の共有情報に対する非自明な統計的テストを提案する。 本テストでは,特定の事象検出手法にコミットすることなく,事象発生に関する情報を伝達する時系列を識別できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In many application domains, time series are monitored to detect extreme events like technical faults, natural disasters, or disease outbreaks. Unfortunately, it is often non-trivial to select both a time series that is informative about events and a powerful detection algorithm: detection may fail because the detection algorithm is not suitable, or because there is no shared information between the time series and the events of interest. In this work, we thus propose a non-parametric statistical test for shared information between a time series and a series of observed events. Our test allows identifying time series that carry information on event occurrences without committing to a specific event detection methodology. In a nutshell, we test for divergences of the value distributions of the time series at increasing lags after event occurrences with a multiple two-sample testing approach. In contrast to related tests, our approach is applicable for time series over arbitrary domains, including multivariate numeric, strings or graphs. We perform a large-scale simulation study to show that it outperforms or is on par with related tests on our task for univariate time series. We also demonstrate the real-world applicability of our approach on datasets from social media and smart home environments.
• Abstract（参考訳）: 多くのアプリケーションドメインでは、時系列が監視され、技術的欠陥、自然災害、病気の発生などの極端な事象を検出する。 残念ながら、イベントに関する情報を持つ時系列と強力な検出アルゴリズムの両方を選択することは非自明である: 検出アルゴリズムが適切でないか、あるいは時系列と関心のあるイベントの間に共有情報がないため、検出は失敗する可能性がある。 そこで本研究では,時系列と観測された事象の共有情報に対する非パラメトリック統計テストを提案する。 本テストでは,特定の事象検出手法にコミットすることなく,事象発生に関する情報を伝達する時系列を識別できる。 一言で言えば、複数の2つのサンプルテストアプローチで、イベント発生後の遅延の増加に伴う時系列の値分布のばらつきをテストする。 関連するテストとは対照的に,本手法は多変量数,文字列,グラフを含む任意の領域上の時系列に適用可能である。 我々は,不定時系列のタスクに関する関連するテストに匹敵する,あるいは同等であることを示すために,大規模シミュレーション研究を行う。 また、ソーシャルメディアやスマートホーム環境からのデータセットに対する我々のアプローチの現実的な適用性を示す。

関連論文リスト

• Event Detection via Probability Density Function Regression [0.0]
  本研究では、時間間隔定義イベント検出問題を再編成する一般化回帰に基づく手法を提案する。 コンピュータビジョンからの熱マップ回帰技術にインスパイアされた本手法は,事象発生時の確率密度を予測することを目的としている。 回帰に基づくアプローチは,様々な最先端のベースラインネットワークやデータセットのセグメンテーションに基づく手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-08-23T01:58:56Z)
• Understanding Time Series Anomaly State Detection through One-Class Classification [13.822504564241454]
  本稿では,一級分類(OCC)による時系列異常検出問題の再検討と定義を試みる。 まず、プロセスと仮説テストを用いて「時系列異常状態検出問題」とその対応する異常を厳密に定義する。 そして、時系列分類データセットを用いて、問題に対応する人工データセットを構築する。 我々は38個の異常検出アルゴリズムをコンパイルし、いくつかのアルゴリズムを修正してこの問題に対処する。
  論文  参考訳（メタデータ） (2024-02-03T03:43:04Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Event Detection in Time Series: Universal Deep Learning Approach [0.0]
  時系列におけるイベント検出は、不均衡なデータセット、まれなイベント、時間間隔定義イベントの頻度のため、困難なタスクである。 本稿では,教師付き回帰に基づく深層学習手法を提案する。 当社のアプローチは、まれなイベントや不均衡なデータセットを含む、統合されたフレームワーク内で、さまざまな種類のイベントを効果的に処理できる。
  論文  参考訳（メタデータ） (2023-11-27T09:33:56Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Abnormal Event Detection via Hypergraph Contrastive Learning [54.80429341415227]
  異常事象検出は多くの実アプリケーションにおいて重要な役割を果たす。 本稿では,分散異種情報ネットワークにおける異常事象検出問題について検討する。 AEHCLと呼ばれる新しいハイパーグラフコントラスト学習法が,異常事象のパターンをフルに捉えるために提案されている。
  論文  参考訳（メタデータ） (2023-04-02T08:23:20Z)
• FedTADBench: Federated Time-Series Anomaly Detection Benchmark [30.17617317330374]
  時系列異常検出は、時間的データから潜在的な異常な行動やパターンを明らかにする試みである。 既存の時系列異常検出アルゴリズムが分散データストレージとプライバシ保護でどのように機能するかは、まだ不明である。 我々は、5つの代表的な時系列異常検出アルゴリズムと4つの一般的なフェデレート学習手法を含むフェデレーション時系列異常検出ベンチマークであるFedTADBenchを実行する。
  論文  参考訳（メタデータ） (2022-12-19T14:57:52Z)
• Multi-Scale One-Class Recurrent Neural Networks for Discrete Event Sequence Anomaly Detection [63.825781848587376]
  本稿では,離散イベントシーケンス中の異常を検出する1クラスリカレントニューラルネットワークOC4Seqを提案する。 具体的には、OC4Seqは離散イベントシーケンスを遅延空間に埋め込み、異常を容易に検出することができる。
  論文  参考訳（メタデータ） (2020-08-31T04:48:22Z)
• A Background-Agnostic Framework with Adversarial Training for Abnormal Event Detection in Video [120.18562044084678]
  近年,ビデオにおける異常事象検出は複雑なコンピュータビジョンの問題として注目されている。 通常のイベントのみを含むトレーニングビデオから学習するバックグラウンドに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-27T18:39:24Z)
• A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
  イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。 基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T23:10:50Z)

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。