論文の概要: Building an Automated and Self-Aware Anomaly Detection System
- arxiv url: http://arxiv.org/abs/2011.05047v1
- Date: Tue, 10 Nov 2020 11:19:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 06:37:41.396503
- Title: Building an Automated and Self-Aware Anomaly Detection System
- Title(参考訳): 自動・自己認識異常検出システムの構築
- Authors: Sayan Chakraborty, Smit Shah, Kiumars Soltani, Anna Swigart, Luyao
Yang, Kyle Buckingham
- Abstract要約: 異常に対して多種多様かつ常に変化する時系列を積極的に監視することは困難である。
伝統的に、データ生成プロセスとパターンのバリエーションは、異常を正確にフラグするモデルを作成するために、強力なモデリングの専門知識を必要としてきた。
本稿では,手作業による介入を必要とせず,各モデルに必要な変更を加えることで,この共通課題を克服する異常検出システムについて述べる。
- 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: Organizations rely heavily on time series metrics to measure and model key
aspects of operational and business performance. The ability to reliably detect
issues with these metrics is imperative to identifying early indicators of
major problems before they become pervasive. It can be very challenging to
proactively monitor a large number of diverse and constantly changing time
series for anomalies, so there are often gaps in monitoring coverage, disabled
or ignored monitors due to false positive alarms, and teams resorting to manual
inspection of charts to catch problems. Traditionally, variations in the data
generation processes and patterns have required strong modeling expertise to
create models that accurately flag anomalies. In this paper, we describe an
anomaly detection system that overcomes this common challenge by keeping track
of its own performance and making changes as necessary to each model without
requiring manual intervention. We demonstrate that this novel approach
outperforms available alternatives on benchmark datasets in many scenarios.
- Abstract(参考訳): 組織は、運用およびビジネスパフォーマンスの重要な側面を計測し、モデル化するために、時系列メトリクスに大きく依存します。
これらのメトリクスで問題を確実に検出する能力は、普及する前に主要な問題の早期指標を特定するのに不可欠である。
多数の多様で絶えず変化する時系列を積極的に監視することは非常に難しいため、監視カバレッジのギャップや、誤ったポジティブアラームによるモニターの無効化や無視、問題検出のためにチャートを手動で検査するチームなどが多い。
伝統的に、データ生成プロセスやパターンのバリエーションは、異常を正確にフラグするモデルを作成するために、強力なモデリング専門知識を必要としてきた。
本稿では,手作業による介入を必要とせず,各モデルに必要な変更を加えることで,この共通課題を克服する異常検出システムについて述べる。
我々は、この新しいアプローチが、多くのシナリオで利用可能なベンチマークデータセットの代替案を上回ることを実証する。
関連論文リスト
- A Review on Self-Supervised Learning for Time Series Anomaly Detection: Recent Advances and Open Challenges [0.7646713951724011]
時系列異常検出は、時間依存データの逐次的および動的性質により、様々な課題を呈する。
時系列の自己監督技術は、この障害を克服するための潜在的な解決策として注目されている。
主な特徴に基づく分類法を提案する。
論文 参考訳(メタデータ) (2025-01-25T12:25:31Z) - 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) - A Reliable Framework for Human-in-the-Loop Anomaly Detection in Time Series [17.08674819906415]
HILADは、人間とAIの動的かつ双方向なコラボレーションを促進するために設計された、新しいフレームワークである。
ビジュアルインターフェースを通じて、HILADはドメインの専門家に、大規模な予期せぬモデルの振る舞いを検出し、解釈し、修正する権限を与えます。
論文 参考訳(メタデータ) (2024-05-06T07:44:07Z) - 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) - 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) - A Survey of Time Series Anomaly Detection Methods in the AIOps Domain [16.92261613814882]
インターネットベースのサービスは目覚ましい成功を収め、キーパフォーマンス指標(KPI)を大量に生成している。
このレビューは、AIOps(AI Ops for IT Operation)における時系列異常検出の総合的な概要を提供する。
近年の進歩に基づいて,実世界と次世代の時系列異常検出の今後の方向性を探究する。
論文 参考訳(メタデータ) (2023-08-01T09:13:57Z) - Spatio-temporal predictive tasks for abnormal event detection in videos [60.02503434201552]
オブジェクトレベルの正規化パターンを学習するための制約付きプレテキストタスクを提案する。
我々のアプローチは、ダウンスケールの視覚的クエリとそれに対応する正常な外観と運動特性のマッピングを学習することである。
いくつかのベンチマークデータセットの実験では、異常の局所化と追跡のためのアプローチの有効性が示されている。
論文 参考訳(メタデータ) (2022-10-27T19:45:12Z) - An Outlier Exposure Approach to Improve Visual Anomaly Detection
Performance for Mobile Robots [76.36017224414523]
移動ロボットの視覚異常検出システム構築の問題点を考察する。
標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。
本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
論文 参考訳(メタデータ) (2022-09-20T15:18:13Z) - 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) - 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) - Automated Model Selection for Time-Series Anomaly Detection [6.396011708581161]
多くの企業は、アプリケーションやサービスに対する何千もの時間的信号を監視し、時間内のインシデントに対する即時フィードバックと警告を必要とします。
このタスクは、乱雑でしばしば適切なラベルのない時系列の複雑な特性のため、難しい。
これはラベルの欠如と単一のモデルが異なる時系列にほとんど適合しないため、教師付きモデルのトレーニングを禁止している。
本稿では、入力データに対して適切なパラメータを持つ最も適切な検出モデルを自動的に見つけるための自動モデル選択フレームワークを提案する。
論文 参考訳(メタデータ) (2020-08-25T07:23:43Z)
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。