Fugu-MT 論文翻訳(概要): Conformal Anomaly Detection on Spatio-temporal Observations with Missing Data

論文の概要: Conformal Anomaly Detection on Spatio-temporal Observations with Missing Data

arxiv url: http://arxiv.org/abs/2105.11886v1
Date: Tue, 25 May 2021 12:44:14 GMT
ステータス: 処理完了
システム内更新日: 2021-05-26 17:46:16.725758
Title: Conformal Anomaly Detection on Spatio-temporal Observations with Missing Data
Title（参考訳）: 欠測データを用いた時空間観測におけるコンフォメーション異常検出
Authors: Chen Xu, Yao Xie
Abstract要約: ECADと呼ばれる分布のない教師なし異常検出手法を開発した。 ECADはデータ交換性を必要としないが、通常のデータではType-Iエラーをほぼ制御する。
参考スコア（独自算出の注目度）: 13.184644807243435
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We develop a distribution-free, unsupervised anomaly detection method called ECAD, which wraps around any regression algorithm and sequentially detects anomalies. Rooted conformal prediction, ECAD does not require data exchangeability but approximately controls the Type-I error when data are normal. Computationally, it involves no data-splitting and efficiently trains ensemble predictors to increase statistical power. We demonstrate the superior performance of ECAD on detecting anomalous spatio-temporal traffic flow.
Abstract（参考訳）: 我々は,任意の回帰アルゴリズムをラップし,逐次異常を検知するECADという,分布のない教師なし異常検出手法を開発した。 ECADはデータ交換性を必要としないが、通常のデータではType-Iエラーをほぼ制御する。データ分割を行わず、統計力を高めるために効率よくアンサンブル予測器を訓練する。異常時空間交通流の検出におけるECADの優れた性能を示す。

関連論文リスト

ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
論文参考訳（メタデータ） (2024-05-27T02:42:33Z)
DeepHYDRA: Resource-Efficient Time-Series Anomaly Detection in Dynamically-Configured Systems [3.44012349879073]
我々はDeepHYDRA(Deep Hybrid DBSCAN/reduction-based Anomaly Detection)を提案する。 DBSCANと学習ベースの異常検出を組み合わせる。大規模なデータセットと複雑なデータセットの両方において、異なるタイプの異常を確実に検出できることが示されている。
論文参考訳（メタデータ） (2024-05-13T13:47:15Z)
Anomaly Detection in Power Grids via Context-Agnostic Learning [4.865842426618145]
グリッド上のセンサの固定セットから得られる時系列測定値を考えると、ネットワークトポロジや測定データの異常を識別できるだろうか? 近年のデータ駆動型ML技術は、現在のデータと過去のデータを組み合わせて異常検出を行っている。本稿では,正規位相と負荷/世代変化の影響を考慮した,文脈認識型異常検出アルゴリズムGridCALを提案する。
論文参考訳（メタデータ） (2024-04-11T16:37:01Z)
Semi-supervised learning via DQN for log anomaly detection [1.5339370927841764]
ログ異常検出における現在の手法は、ラベルなしデータの未使用、正規クラスと異常クラスのデータの不均衡、偽陽性と偽陰性率などの課題に直面している。本稿では,DQNLogと呼ばれる半教師付きログ異常検出手法を提案する。広く使われている3つのデータセット上でDQNLogを評価し、大規模未ラベルデータを効果的に活用できることを実証した。
論文参考訳（メタデータ） (2024-01-06T08:04:13Z)
MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly Detection [124.52227588930543]
教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
論文参考訳（メタデータ） (2023-08-29T13:38:35Z)
AGAD: Adversarial Generative Anomaly Detection [12.68966318231776]
異常検出は,異常の多様性と大規模異常データ取得の困難さにより異常の欠如に悩まされた。本稿では,自己コントラストに基づく異常検出パラダイムであるAdversarial Generative Anomaly Detection (AGAD)を提案する。本手法は,教師付きおよび半教師付き両方の異常検出シナリオに対して擬似異常データを生成する。
論文参考訳（メタデータ） (2023-04-09T10:40:02Z)
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)
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)
Reconstruct Anomaly to Normal: Adversarial Learned and Latent Vector-constrained Autoencoder for Time-series Anomaly Detection [3.727524403726822]
時系列における異常検出は広く研究され、重要な実用的応用がなされている。近年、異常検出アルゴリズムは、主にディープラーニング生成モデルに基づいており、再構成誤差を用いて異常を検出する。本稿では,正規化に対する再構成異常の考え方に基づくRANを提案し,それを教師なし時系列異常検出に適用する。
論文参考訳（メタデータ） (2020-10-14T07:10:55Z)
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)
Deep Weakly-supervised Anomaly Detection [118.55172352231381]
ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。 PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。 12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
論文参考訳（メタデータ） (2019-10-30T00:40:25Z)

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。