論文の概要: Anomaly Detection in Predictive Maintenance: A New Evaluation Framework
for Temporal Unsupervised Anomaly Detection Algorithms
- arxiv url: http://arxiv.org/abs/2105.12818v1
- Date: Wed, 26 May 2021 20:15:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-29 12:18:52.379634
- Title: Anomaly Detection in Predictive Maintenance: A New Evaluation Framework
for Temporal Unsupervised Anomaly Detection Algorithms
- Title（参考訳）: 予測保守における異常検出:時間的非教師付き異常検出アルゴリズムの新しい評価フレームワーク
- Authors: Jacinto Carrasco, Irina Markova, David L\'opez, Ignacio Aguilera,
Diego Garc\'ia, Marta Garc\'ia-Barzana, Manuel Arias-Rodil, Juli\'an Luengo,
Francisco Herrera
- Abstract要約: 異常検出の研究は、異常なインスタンスを表すものの統一的な定義を欠いている。
本稿では、教師なし異常検出アルゴリズムを評価するために、区間に対する正および負のインスタンスの概念を提案する。
この定義の有用性を示すために,企業ArcelorMittalが提供する実世界の時系列問題を用いたビッグデータアルゴリズムのケーススタディを含む。
- 参考スコア（独自算出の注目度）: 9.316869851584771
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: The research in anomaly detection lacks a unified definition of what
represents an anomalous instance. Discrepancies in the nature itself of an
anomaly lead to multiple paradigms of algorithms design and experimentation.
Predictive maintenance is a special case, where the anomaly represents a
failure that must be prevented. Related time-series research as outlier and
novelty detection or time-series classification does not apply to the concept
of an anomaly in this field, because they are not single points which have not
been seen previously and may not be precisely annotated. Moreover, due to the
lack of annotated anomalous data, many benchmarks are adapted from supervised
scenarios.
To address these issues, we generalise the concept of positive and negative
instances to intervals to be able to evaluate unsupervised anomaly detection
algorithms. We also preserve the imbalance scheme for evaluation through the
proposal of the Preceding Window ROC, a generalisation for the calculation of
ROC curves for time-series scenarios. We also adapt the mechanism from a
established time-series anomaly detection benchmark to the proposed
generalisations to reward early detection. Therefore, the proposal represents a
flexible evaluation framework for the different scenarios. To show the
usefulness of this definition, we include a case study of Big Data algorithms
with a real-world time-series problem provided by the company ArcelorMittal,
and compare the proposal with an evaluation method.
- Abstract（参考訳）: 異常検出の研究は、異常なインスタンスを表すものの統一的な定義を欠いている。
異常の性質自体の相違は、アルゴリズムの設計と実験の複数のパラダイムにつながる。
予測メンテナンスは特別なケースであり、異常は回避しなければならない障害を表す。
外れ値や新規性検出や時系列分類などの時系列研究は、これまで見られず正確に注釈付けされていない単一の点ではないため、この分野における異常の概念には適用されない。
さらに、注釈付き異常データがないため、多くのベンチマークは教師付きシナリオから適応される。
これらの問題に対処するために、正および負のインスタンスの概念を区間に一般化し、教師なし異常検出アルゴリズムを評価する。
また、時系列シナリオのROC曲線計算の一般化であるPreceding Window ROCの提案により、評価のための不均衡スキームも維持する。
また,この機構を確立された時系列異常検出ベンチマークから提案した一般化に適応させて早期発見に報いる。
したがって、提案は異なるシナリオに対する柔軟な評価フレームワークである。
本定義の有用性を示すために,企業ArcelorMittalが提供する実世界の時系列問題とビッグデータアルゴリズムのケーススタディを含め,提案手法と評価手法を比較した。
関連論文リスト
- Towards Unbiased Evaluation of Time-series Anomaly Detector [6.521243384420707]
時系列異常検出(TSAD)は、その重要な応用に動機付けられた研究の進化する領域である。
本研究では,平衡点調整(BA)と呼ばれる代替調整プロトコルを提案する。
論文 参考訳（メタデータ） (2024-09-19T19:02:45Z) - Nominality Score Conditioned Time Series Anomaly Detection by
Point/Sequential Reconstruction [10.63786614057115]
時系列異常検出は、複雑で様々なパターンが生じるため、困難である。
時間に依存した関係をモデル化してコンテキスト異常を見つけることが大きな困難である。
本稿では,ポイントベースおよびシーケンスベース再構成モデルを用いた教師なし時系列異常検出のためのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-24T00:14:57Z) - MadSGM: Multivariate Anomaly Detection with Score-based Generative
Models [22.296610226476542]
スコアベース生成モデルに基づく時系列異常検出器MadSGMを提案する。
5つの実世界のベンチマークデータセットの実験は、MadSGMが最も堅牢で正確な予測を達成していることを示している。
論文 参考訳（メタデータ） (2023-08-29T07:04:50Z) - 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) - Time-series Anomaly Detection via Contextual Discriminative Contrastive
Learning [0.0]
一級分類法は、異常検出タスクに一般的に使用される。
本稿では,DeepSVDDの損失関数に着想を得た新しい手法を提案する。
我々は,我々のアプローチと,将来有望な自己教師型学習異常検出手法であるNeutral ADによる決定論的コントラスト損失を組み合わせた。
論文 参考訳（メタデータ） (2023-04-16T21:36:19Z) - Unsupervised Anomaly Detection in Time-series: An Extensive Evaluation and Analysis of State-of-the-art Methods [10.618572317896515]
時系列における教師なし異常検出は文献で広く研究されている。
本稿では,近年の時系列における教師なし異常検出手法の詳細な評価手法を提案する。
論文 参考訳（メタデータ） (2022-12-06T15:05:54Z) - 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) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。
我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。
製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文 参考訳（メタデータ） (2022-06-23T14:16:30Z) - Dense Uncertainty Estimation via an Ensemble-based Conditional Latent
Variable Model [68.34559610536614]
我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。
そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。
以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
論文 参考訳（メタデータ） (2021-11-22T08:54:10Z) - Anomaly Transformer: Time Series Anomaly Detection with Association
Discrepancy [68.86835407617778]
Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。
Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2021-10-06T10:33:55Z) - Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。
提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。
我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文 参考訳（メタデータ） (2021-08-01T14:33:17Z)
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。