論文の概要: Unsupervised Anomaly Detection on Temporal Multiway Data

• arxiv url: http://arxiv.org/abs/2009.09443v1
• Date: Sun, 20 Sep 2020 14:49:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-16 12:33:50.503616
• Title: Unsupervised Anomaly Detection on Temporal Multiway Data
• Title（参考訳）: 時間的マルチウェイデータによる教師なし異常検出
• Authors: Duc Nguyen, Phuoc Nguyen, Kien Do, Santu Rana, Sunil Gupta, Truyen Tran
• Abstract要約: 本研究は,データマトリックスが各ステップで観測される双方向データに焦点をあてる。 本研究では,時間的マルチウェイ異常検出のためのデータアレンジメントと教師なしトレーニングについて検討した。 これには圧縮圧縮、符号化予測、時間データの差分が含まれる。
• 参考スコア（独自算出の注目度）: 40.63064197740885
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal anomaly detection looks for irregularities over space-time. Unsupervised temporal models employed thus far typically work on sequences of feature vectors, and much less on temporal multiway data. We focus our investigation on two-way data, in which a data matrix is observed at each time step. Leveraging recent advances in matrix-native recurrent neural networks, we investigated strategies for data arrangement and unsupervised training for temporal multiway anomaly detection. These include compressing-decompressing, encoding-predicting, and temporal data differencing. We conducted a comprehensive suite of experiments to evaluate model behaviors under various settings on synthetic data, moving digits, and ECG recordings. We found interesting phenomena not previously reported. These include the capacity of the compact matrix LSTM to compress noisy data near perfectly, making the strategy of compressing-decompressing data ill-suited for anomaly detection under the noise. Also, long sequence of vectors can be addressed directly by matrix models that allow very long context and multiple step prediction. Overall, the encoding-predicting strategy works very well for the matrix LSTMs in the conducted experiments, thanks to its compactness and better fit to the data dynamics.
• Abstract（参考訳）: 時空異常検出は時空上の不規則性を示す。 これまで採用されていた教師なし時間モデルは通常、特徴ベクトルのシーケンスに取り組んでおり、時間的多方向データにはあまり依存していない。 本研究は,データマトリックスが各ステップで観測される双方向データに焦点をあてる。 マトリックスネイティブリカレントニューラルネットワークの最近の進歩を利用して,時間的多方向異常検出のためのデータアレンジメントと教師なしトレーニングの戦略について検討した。 これには圧縮圧縮、エンコード予測、時間データの差分化が含まれる。 我々は,合成データ,移動桁,ECG記録の様々な設定下でのモデル行動を評価するための総合的な実験を行った。 我々は以前に報告されなかった興味深い現象を発見した。 これには、完全に近いノイズデータを圧縮するためのコンパクトマトリックスLSTMの容量が含まれており、ノイズ下での異常検出に不適なデータを圧縮圧縮する戦略である。 また、ベクトルの長い列は、非常に長いコンテキストと複数のステップ予測を可能にする行列モデルによって直接対応できる。 全体として、符号化予測戦略は、そのコンパクトさとデータダイナミクスに適合しているため、実行した実験における行列LSTMに対して非常にうまく機能する。

関連論文リスト

• 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)
• A Bi-LSTM Autoencoder Framework for Anomaly Detection -- A Case Study of a Wind Power Dataset [2.094022863940315]
  異常(英: Anomalies)とは、通常および同質の事象から逸脱するデータポイントまたはイベントを指す。 本研究では,Bi-LSTMアーキテクチャとAutoencoderを組み合わせた時系列異常検出フレームワークを提案する。 Bi-LSTM Autoencoderモデルは96.79%の分類精度を達成し、より一般的なLSTM Autoencoderモデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-03-17T00:24:28Z)
• Time series anomaly detection with reconstruction-based state-space models [10.085100442558828]
  本稿では,時系列データに対する新しい教師なし異常検出手法を提案する。 長い短期記憶(LSTM)ベースのエンコーダデコーダを用いて観測空間と潜時空間のマッピングを行う。 潜在空間の正規化は、通常のサンプルの状態に制約を課し、マハラノビス距離を用いて異常レベルを評価する。
  論文  参考訳（メタデータ） (2023-03-06T17:52:35Z)
• DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness [78.98998551326812]
  従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。 我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。 本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
  論文  参考訳（メタデータ） (2022-09-26T21:59:14Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Hankel-structured Tensor Robust PCA for Multivariate Traffic Time Series Anomaly Detection [9.067182100565695]
  本研究では,空間データにおける異常検出のためのRPCAのハンケル構造テンソルバージョンを提案する。 劣化した行列を低ランクのハンケルテンソルとスパース行列に分解する。 本手法は, 合成データと乗客フロー時系列を用いて評価する。
  論文  参考訳（メタデータ） (2021-10-08T19:35:39Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Unsupervised Deep Anomaly Detection for Multi-Sensor Time-Series Signals [10.866594993485226]
  本稿では,Deep Convolutional Autoencoding Memory Network (CAE-M) という,ディープラーニングに基づく新しい異常検出アルゴリズムを提案する。 我々はまず,最大平均離散値(MMD)を用いたマルチセンサデータの空間依存性を特徴付けるディープ畳み込みオートエンコーダを構築する。 そして,線形(自己回帰モデル)と非線形予測(注意を伴う大規模LSTM)からなるメモリネットワークを構築し,時系列データから時間依存性を捉える。
  論文  参考訳（メタデータ） (2021-07-27T06:48:20Z)
• 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)

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。