論文の概要: Improving Robustness on Seasonality-Heavy Multivariate Time Series
Anomaly Detection
- arxiv url: http://arxiv.org/abs/2007.14254v1
- Date: Sat, 25 Jul 2020 01:32:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 00:41:52.718847
- Title: Improving Robustness on Seasonality-Heavy Multivariate Time Series
Anomaly Detection
- Title(参考訳): 季節性多変量時系列異常検出におけるロバスト性の改善
- Authors: Farzaneh Khoshnevisan, Zhewen Fan, Vitor R. Carvalho
- Abstract要約: 本稿では,時系列データにおけるロバスト異常検出(AD)の課題について考察する。
本稿では,季節・汚染データに対するロバスト性向上に向けた新たなアプローチを提案する。
我々は、このモデルが複雑な季節パターンに対してより堅牢な振る舞いを示すだけでなく、トレーニングデータ汚染に対する抵抗も増大する広範囲な実験を行う。
- 参考スコア(独自算出の注目度): 2.2559617939136505
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robust Anomaly Detection (AD) on time series data is a key component for
monitoring many complex modern systems. These systems typically generate
high-dimensional time series that can be highly noisy, seasonal, and
inter-correlated. This paper explores some of the challenges in such data, and
proposes a new approach that makes inroads towards increased robustness on
seasonal and contaminated data, while providing a better root cause
identification of anomalies. In particular, we propose the use of Robust
Seasonal Multivariate Generative Adversarial Network (RSM-GAN) that extends
recent advancements in GAN with the adoption of convolutional-LSTM layers and
attention mechanisms to produce excellent performance on various settings. We
conduct extensive experiments in which not only do this model displays more
robust behavior on complex seasonality patterns, but also shows increased
resistance to training data contamination. We compare it with existing
classical and deep-learning AD models, and show that this architecture is
associated with the lowest false positive rate and improves precision by 30%
and 16% in real-world and synthetic data, respectively.
- Abstract(参考訳): 時系列データ上のロバスト異常検出(AD)は多くの複雑なシステムを監視する重要なコンポーネントである。
これらのシステムは典型的には高次元の時系列を生成するが、これは非常にうるさい、季節的、相互関連がある。
本稿では,これらのデータの課題のいくつかを考察し,季節的および汚染されたデータに対するロバスト性の向上に向けた新たなアプローチを提案する。
特に,畳み込みLSTM層の導入によるGANの最近の進歩を延長し,様々な環境における優れた性能を実現するため,ロバスト季節多変量生成適応ネットワーク(RSM-GAN)を提案する。
我々は,このモデルが複雑な季節性パターンに対してより強固な行動を示すだけでなく,データ汚染に対する耐性が増大することを示す広範な実験を行う。
既存の古典的・深層学習型広告モデルと比較し,このアーキテクチャは偽陽性率が最も低く,実世界および合成データでは30%,16%の精度向上が期待できることを示した。
関連論文リスト
- Revisiting VAE for Unsupervised Time Series Anomaly Detection: A
Frequency Perspective [40.21603048003118]
変分オートエンコーダ(VAE)は、より優れたノイズ除去能力のために近年人気を集めている。
FCVAEは、グローバルとローカルの両方の周波数特徴を条件付き変分オートエンコーダ(CVAE)の条件に同時に統合する革新的なアプローチを利用する
提案手法は, パブリックデータセットと大規模クラウドシステムを用いて評価され, その結果, 最先端の手法よりも優れた結果が得られた。
論文 参考訳(メタデータ) (2024-02-05T09:06:57Z) - The Bigger the Better? Rethinking the Effective Model Scale in Long-term
Time Series Forecasting [57.00348861248051]
時系列予測は時系列分析において重要なフロンティアである。
階層的な分解で拡張された軽量トランスフォーマーであるHDformerを紹介する。
HDformerは既存のLTSFモデルよりも優れており、パラメータは99%以上少ない。
論文 参考訳(メタデータ) (2024-01-22T13:15:40Z) - DACR: Distribution-Augmented Contrastive Reconstruction for Time-Series
Anomaly Detection [12.3866167448478]
時系列データの異常検出は、さまざまなアプリケーションにわたる障害、障害、脅威、異常を識別するために不可欠である。
近年、このトピックにディープラーニング技術が適用されているが、現実のシナリオではしばしば苦労している。
本稿では,これらの課題に対処するため,DACR(Distributed-Augmented Contrastive Reconstruction)を提案する。
論文 参考訳(メタデータ) (2024-01-20T16:56:52Z) - 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) - Generative Modeling of Regular and Irregular Time Series Data via
Koopman VAEs [53.91784369229405]
モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。
クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。
以上の結果から,KVAEは,合成および実世界の時系列生成ベンチマークにおいて,最先端のGAN法およびVAE法よりも優れていた。
論文 参考訳(メタデータ) (2023-10-04T07:14:43Z) - MADS: Modulated Auto-Decoding SIREN for time series imputation [9.673093148930874]
我々は,暗黙のニューラル表現に基づく時系列計算のための新しい自動デコードフレームワークMADSを提案する。
実世界の2つのデータセット上で本モデルを評価し,時系列計算における最先端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) (2023-07-03T09:08:47Z) - Generative Time Series Forecasting with Diffusion, Denoise, and
Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。
実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。
本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文 参考訳(メタデータ) (2023-01-08T12:20:46Z) - Deep Generative model with Hierarchical Latent Factors for Time Series
Anomaly Detection [40.21502451136054]
本研究は、時系列異常検出のための新しい生成モデルであるDGHLを提示する。
トップダウンの畳み込みネットワークは、新しい階層的な潜在空間を時系列ウィンドウにマッピングし、時間ダイナミクスを利用して情報を効率的にエンコードする。
提案手法は,4つのベンチマーク・データセットにおいて,現在の最先端モデルよりも優れていた。
論文 参考訳(メタデータ) (2022-02-15T17:19:44Z) - HIFI: Anomaly Detection for Multivariate Time Series with High-order
Feature Interactions [7.016615391171876]
HIFIは自動的に多変量特徴相互作用グラフを構築し、グラフ畳み込みニューラルネットワークを使用して高次特徴相互作用を実現する。
3つの公開データセットの実験は、最先端のアプローチと比較して、我々のフレームワークの優位性を示している。
論文 参考訳(メタデータ) (2021-06-11T04:57:03Z) - 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) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳(メタデータ) (2020-02-21T13:48:13Z)
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。