論文の概要: TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks
- arxiv url: http://arxiv.org/abs/2009.07769v3
- Date: Sat, 14 Nov 2020 23:05:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-17 23:20:25.835361
- Title: TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks
- Title（参考訳）: TadGAN:生成逆ネットワークを用いた時系列異常検出
- Authors: Alexander Geiger, Dongyu Liu, Sarah Alnegheimish, Alfredo
Cuesta-Infante, Kalyan Veeramachaneni
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 73.01104041298031
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series anomalies can offer information relevant to critical situations
facing various fields, from finance and aerospace to the IT, security, and
medical domains. However, detecting anomalies in time series data is
particularly challenging due to the vague definition of anomalies and said
data's frequent lack of labels and highly complex temporal correlations.
Current state-of-the-art unsupervised machine learning methods for anomaly
detection suffer from scalability and portability issues, and may have high
false positive rates. In this paper, we propose TadGAN, an unsupervised anomaly
detection approach built on Generative Adversarial Networks (GANs). To capture
the temporal correlations of time series distributions, we use LSTM Recurrent
Neural Networks as base models for Generators and Critics. TadGAN is trained
with cycle consistency loss to allow for effective time-series data
reconstruction. We further propose several novel methods to compute
reconstruction errors, as well as different approaches to combine
reconstruction errors and Critic outputs to compute anomaly scores. To
demonstrate the performance and generalizability of our approach, we test
several anomaly scoring techniques and report the best-suited one. We compare
our approach to 8 baseline anomaly detection methods on 11 datasets from
multiple reputable sources such as NASA, Yahoo, Numenta, Amazon, and Twitter.
The results show that our approach can effectively detect anomalies and
outperform baseline methods in most cases (6 out of 11). Notably, our method
has the highest averaged F1 score across all the datasets. Our code is open
source and is available as a benchmarking tool.
- Abstract（参考訳）: 時系列異常は、金融や航空宇宙、it、セキュリティ、医療分野など、さまざまな分野に直面する重要な状況に関連する情報を提供することができる。
しかしながら、時系列データの異常検出は、異常の曖昧な定義や、ラベルの頻繁な欠如、高度に複雑な時間相関のため、特に困難である。
異常検出のための最先端の教師なし機械学習手法は、スケーラビリティとポータビリティの問題に苦しんでおり、偽陽性率が高い可能性がある。
本稿では,GAN(Generative Adversarial Networks)に基づく教師なし異常検出手法であるTadGANを提案する。
時系列分布の時間的相関を捉えるため、LSTMリカレントニューラルネットワークをジェネレータと批評家のベースモデルとして用いる。
TadGANは、効率的な時系列データ再構成を可能にするために、サイクル一貫性の損失を訓練する。
さらに,再構成誤差を計算するための新しい手法と,再構成誤差と批判結果を組み合わせてアノマリースコアを計算するための異なる手法を提案する。
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。
我々は,nasa,yahoo,numenta,amazon,twitterなど複数のレポータブルソースからの11のデータセットにおける8つのベースライン異常検出手法と比較した。
その結果,11例中6例において,異常やベースライン法を効果的に検出できることがわかった。
特に,本手法は全データセットの平均F1スコアが最も高い。
私たちのコードはオープンソースで、ベンチマークツールとして利用できます。
関連論文リスト
- See it, Think it, Sorted: Large Multimodal Models are Few-shot Time Series Anomaly Analyzers [23.701716999879636]
時系列データの急激な増加に伴い,時系列異常検出(TSAD)はますます重要になりつつある。
本稿では,TMA(Time Series Anomaly Multimodal Analyzer)と呼ばれる先駆的なフレームワークを導入し,異常の検出と解釈を両立させる。
論文 参考訳（メタデータ） (2024-11-04T10:28:41Z) - 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) - Unraveling the "Anomaly" in Time Series Anomaly Detection: A
Self-supervised Tri-domain Solution [89.16750999704969]
異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。
自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。
自己教師型3領域異常検出器(TriAD)を提案する。
論文 参考訳（メタデータ） (2023-11-19T05:37:18Z) - 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) - ALGAN: Time Series Anomaly Detection with Adjusted-LSTM GAN [0.9065034043031667]
時系列データの異常検出は、製造、医療画像、サイバーセキュリティといった様々な領域で一般的な問題である。
近年,GAN(Generative Adversarial Networks)は時系列データの異常検出に有効であることが示されている。
本稿では,ALGAN(Adjusted-LSTM GAN)と呼ばれる新しいGANモデルを提案する。
論文 参考訳（メタデータ） (2023-08-13T02:17:19Z) - CNTS: Cooperative Network for Time Series [7.356583983200323]
本稿では,協調ネットワーク時系列法(Cooperative Network Time Series approach)と呼ばれる,教師なし異常検出のための新しい手法を提案する。
CNTSの中心的な側面は多目的最適化の問題であり、協調的な解法戦略によって解決される。
実世界の3つのデータセットの実験は、CNTSの最先端性能を示し、検出器と再構成器の協調的有効性を確認する。
論文 参考訳（メタデータ） (2023-02-20T06:55:10Z) - Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。
本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。
HypADは自己指導で入力信号を再構築する。
論文 参考訳（メタデータ） (2022-11-16T21:31:39Z) - DEGAN: Time Series Anomaly Detection using Generative Adversarial
Network Discriminators and Density Estimation [0.0]
我々は,GANに基づく異常検出フレームワークDEGANを提案する。
これは、適切に構成された識別器(D)をスタンドアロンの異常予測器に訓練するための入力として、通常の時系列データにのみ依存する。
論文 参考訳（メタデータ） (2022-10-05T04:32:12Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-30T06:00:13Z) - RobustTAD: Robust Time Series Anomaly Detection via Decomposition and
Convolutional Neural Networks [37.16594704493679]
本稿では,ロバスト時系列異常検出フレームワークRobustTADを提案する。
時系列データのために、堅牢な季節差分解と畳み込みニューラルネットワークを統合する。
パブリックオンラインサービスとしてデプロイされ、Alibaba Groupのさまざまなビジネスシナリオで広く採用されている。
論文 参考訳（メタデータ） (2020-02-21T20:43:45Z)
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。