論文の概要: Stacking VAE with Graph Neural Networks for Effective and Interpretable
Time Series Anomaly Detection
- arxiv url: http://arxiv.org/abs/2105.08397v1
- Date: Tue, 18 May 2021 09:50:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-19 13:55:18.819337
- Title: Stacking VAE with Graph Neural Networks for Effective and Interpretable
Time Series Anomaly Detection
- Title（参考訳）: グラフニューラルネットワークを用いた時系列異常検出のためのスタックングVAE
- Authors: Wenkai Li, Wenbo Hu, Ning Chen, Cheng Feng
- Abstract要約: 本研究では,実効かつ解釈可能な時系列異常検出のための,グラフニューラルネットワークを用いた自動エンコーダ(VAE)モデルを提案する。
我々は,提案モデルが3つの公開データセットの強いベースラインを上回っており,大幅に改善されていることを示す。
- 参考スコア（独自算出の注目度）: 5.935707085640394
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In real-world maintenance applications, deep generative models have shown
promising performance in detecting anomalous events of entities from
time-series signals collected from multiple sensors. Nevertheless, we outline
two important challenges of leveraging such models for times-series anomaly
detection: 1) developing effective and efficient reconstruction models and 2)
exploiting the similarity and interrelation structures among the multivariate
time series data channels. To address these challenges, in this paper we
propose a stacking variational auto-encoder (VAE) model with graph neural
networks for the effective and interpretable time-series anomaly detection.
Specifically, we propose a stacking block-wise reconstruction framework with a
weight-sharing scheme for the multivariate time series data with similarities
among channels. Moreover, with a graph learning module, our model learns a
sparse adjacency matrix to explicitly capture the stable interrelation
structure information among multiple time series data channels for
interpretable reconstruction of series patterns. Experimental results show that
our proposed model outperforms the strong baselines on three public datasets
with considerable improvements and meanwhile still maintains the training
efficiency. Furthermore, we demonstrate that the intuitive stable structure
learned by our model significantly improves the interpretability of our
detection results.
- Abstract（参考訳）: 実世界の保守アプリケーションにおいて、深層生成モデルは、複数のセンサから収集された時系列信号からエンティティの異常事象を検出する上で有望な性能を示した。
それにもかかわらず、このようなモデルを時系列異常検出に活用するための2つの重要な課題を概説する:1)効率的かつ効率的な再構成モデルの開発、2)多変量時系列データチャネル間の類似性と相互関係構造を利用する。
これらの課題に対処するため,本稿では,グラフニューラルネットワークを用いた重畳変動自動エンコーダ(VAE)モデルを提案する。
具体的には,チャネル間の類似性を持つ多変量時系列データに対して,重み共有方式を用いた積み重ねブロックワイズ再構築フレームワークを提案する。
さらに,グラフ学習モジュールを用いて疎隣接行列を学習し,時系列データチャネル間の安定な相互関係構造情報を明示的に把握し,系列パターンの解釈可能な再構成を行う。
実験結果から,提案モデルが3つの公開データセットに対して高いベースラインを達成し,その一方でトレーニング効率の維持が図られた。
さらに,本モデルで学習した直感的な安定構造は,検出結果の解釈可能性を大幅に向上させることを示した。
関連論文リスト
- Multivariate Time-Series Anomaly Detection based on Enhancing Graph Attention Networks with Topological Analysis [31.43159668073136]
時系列における教師なし異常検出は、手動による介入の必要性を大幅に低減するため、産業応用において不可欠である。
従来の手法では、グラフニューラルネットワーク(GNN)やトランスフォーマーを使用して空間を解析し、RNNは時間的依存をモデル化していた。
本稿では,TopoGDNと呼ばれる多変量時系列異常検出のための拡張グラフ注意ネットワーク(GAT)上に構築された新しい時間モデルを提案する。
論文 参考訳（メタデータ） (2024-08-23T14:06:30Z) - 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) - Hierarchical Joint Graph Learning and Multivariate Time Series
Forecasting [0.16492989697868887]
本稿では,相互依存を示すエッジを持つグラフにおいて,多変量信号をノードとして表現する方法を提案する。
我々はグラフニューラルネットワーク(GNN)とアテンションメカニズムを活用し、時系列データ内の基礎となる関係を効率的に学習する。
提案モデルの有効性を,長期予測タスク用に設計された実世界のベンチマークデータセットで評価した。
論文 参考訳（メタデータ） (2023-11-21T14:24:21Z) - Gait Recognition in the Wild with Multi-hop Temporal Switch [81.35245014397759]
野生での歩行認識は、より実践的な問題であり、マルチメディアとコンピュータビジョンのコミュニティの注目を集めています。
本稿では,現実のシーンにおける歩行パターンの効果的な時間的モデリングを実現するために,新しいマルチホップ時間スイッチ方式を提案する。
論文 参考訳（メタデータ） (2022-09-01T10:46:09Z) - Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。
我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。
本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2022-05-16T07:53:42Z) - PIETS: Parallelised Irregularity Encoders for Forecasting with
Heterogeneous Time-Series [5.911865723926626]
マルチソースデータセットの不均一性と不規則性は時系列解析において重要な課題となる。
本研究では、異種時系列をモデル化するための新しいアーキテクチャ、PIETSを設計する。
PIETSは異種時間データを効果的にモデル化し、予測タスクにおける他の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） (2021-09-30T20:01:19Z) - 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) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z) - Multivariate Time-series Anomaly Detection via Graph Attention Network [27.12694738711663]
多変量時系列の異常検出は、データマイニング研究と産業応用の両方において非常に重要である。
1つの大きな制限は、異なる時系列間の関係を明示的に捉えないことである。
この問題に対処するために,多変量時系列異常検出のための新しい自己教師型フレームワークを提案する。
論文 参考訳（メタデータ） (2020-09-04T07:46:19Z) - Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。
ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。
本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-05T07:06:19Z)
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。