論文の概要: Anomaly Detection in Univariate Time-series: A Survey on the State-of-the-Art

• arxiv url: http://arxiv.org/abs/2004.00433v1
• Date: Wed, 1 Apr 2020 13:22:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 18:00:13.310197
• Title: Anomaly Detection in Univariate Time-series: A Survey on the State-of-the-Art
• Title（参考訳）: 不定時系列における異常検出:最新技術に関する調査
• Authors: Mohammad Braei and Sebastian Wagner
• Abstract要約: 時系列データの異常検出は、長い間重要な研究分野であった。 近年,時系列の異常を検出する機械学習アルゴリズムが増えている。 研究者たちは、(ディープ)ニューラルネットワークを使ってこれらの技術を改善しようとした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Anomaly detection for time-series data has been an important research field for a long time. Seminal work on anomaly detection methods has been focussing on statistical approaches. In recent years an increasing number of machine learning algorithms have been developed to detect anomalies on time-series. Subsequently, researchers tried to improve these techniques using (deep) neural networks. In the light of the increasing number of anomaly detection methods, the body of research lacks a broad comparative evaluation of statistical, machine learning and deep learning methods. This paper studies 20 univariate anomaly detection methods from the all three categories. The evaluation is conducted on publicly available datasets, which serve as benchmarks for time-series anomaly detection. By analyzing the accuracy of each method as well as the computation time of the algorithms, we provide a thorough insight about the performance of these anomaly detection approaches, alongside some general notion of which method is suited for a certain type of data.
• Abstract（参考訳）: 時系列データの異常検出は,長年にわたって重要な研究分野であった。 異常検出法に関する精巧な研究は統計的アプローチに焦点が当てられている。 近年,時系列の異常を検出する機械学習アルゴリズムが開発されている。 その後、研究者たちは(深い)ニューラルネットワークを使ってこれらの技術を改善しようとした。 異常検出法の増加に照らして、統計学、機械学習、深層学習法の広範な比較評価を欠いている。 本報告では,全3カテゴリから20種類の一変量異常検出手法について検討する。 評価は公開データセット上で行われ、時系列異常検出のベンチマークとして機能する。 アルゴリズムの計算時間だけでなく各手法の精度を解析することにより、特定の種類のデータにどの手法が適合するかという一般的な概念とともに、これらの異常検出手法の性能に関する詳細な洞察を提供する。

関連論文リスト

• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
  本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• Can Tree Based Approaches Surpass Deep Learning in Anomaly Detection? A Benchmarking Study [0.6291443816903801]
  本稿では,機械学習に基づく異常検出アルゴリズムの多種多様さを評価する。 本論文は, 種々の異常検出アルゴリズムの非バイアス比較を行うことにより, 顕著に寄与する。
  論文  参考訳（メタデータ） (2024-02-11T19:12:51Z)
• 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)
• Precursor-of-Anomaly Detection for Irregular Time Series [31.73234935455713]
  本稿では,新しいタイプの異常検出法であるPrecursor-of-Anomaly(PoA)について述べる。 両問題を同時に解くために,ニューラルネットワークとマルチタスク学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-27T14:10:09Z)
• PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
  本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。 我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-01-25T16:34:43Z)
• Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
  時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。 時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。 本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
  論文  参考訳（メタデータ） (2022-11-09T22:40:22Z)
• Do Deep Neural Networks Contribute to Multivariate Time Series Anomaly Detection? [12.419938668514042]
  従来の機械学習とディープニューラルネットワークを用いた16種類の異常検出性能について検討した。 16の手法のそれぞれの性能を解析・比較することにより,他の手法よりも優れた手法群が存在しないことを示す。
  論文  参考訳（メタデータ） (2022-04-04T16:32:49Z)
• An Evaluation of Anomaly Detection and Diagnosis in Multivariate Time Series [7.675917669905486]
  本稿では,異常検出・診断のための教師なし・半教師付き深層学習手法の体系的・包括的評価について述べる。 我々は、10のモデルと4のスコアリング関数のグリッドを通して、モデルエラーのモデルと後処理を変え、これらの変種を最先端の手法と比較する。 既存の評価指標は、事象を考慮に入れていないか、良い検知器と自明な検出器を区別できないかのどちらかである。
  論文  参考訳（メタデータ） (2021-09-23T15:14:24Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• Anomalous Example Detection in Deep Learning: A Survey [98.2295889723002]
  本調査は,ディープラーニングアプリケーションにおける異常検出の研究について,構造化された包括的概要を提供する。 既存の技術に対する分類法を,その基礎となる前提と採用アプローチに基づいて提案する。 本稿では,DLシステムに異常検出技術を適用しながら未解決の研究課題を取り上げ,今後の課題について述べる。
  論文  参考訳（メタデータ） (2020-03-16T02:47:23Z)
• CRATOS: Cognition of Reliable Algorithm for Time-series Optimal Solution [12.906367105870341]
  CRATOSは、時系列から特徴を抽出し、同様の特徴を持つクラスタシリーズを1つのグループにまとめる自己適応アルゴリズムである。 本手法は,異常検出の開発・保守コストを大幅に削減することができる。 本論文における異常検出アルゴリズムの精度は85.1%である。
  論文  参考訳（メタデータ） (2020-03-03T09:49:30Z)

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。