論文の概要: Time Series Anomaly Detection with label-free Model Selection

• arxiv url: http://arxiv.org/abs/2106.07473v1
• Date: Fri, 11 Jun 2021 00:21:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-20 04:53:17.900508
• Title: Time Series Anomaly Detection with label-free Model Selection
• Title（参考訳）: ラベルなしモデル選択による時系列異常検出
• Authors: Deokwoo Jung, Nandini Ramanan, Mehrnaz Amjadi, Sankeerth Rao Karingula, Jake Taylor, and Claudionor Nunes Coelho Jr
• Abstract要約: ラベルのない時系列データに対するラベルなしモデル選択を用いた新しい異常検出アルゴリズムであるLaF-ADを提案する。 我々のアルゴリズムは容易に並列化可能であり、不条件データや季節データに対してより堅牢であり、多数の異常モデルに対して非常にスケーラブルである。
• 参考スコア（独自算出の注目度）: 0.6303112417588329
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection for time-series data becomes an essential task for many data-driven applications fueled with an abundance of data and out-of-the-box machine-learning algorithms. In many real-world settings, developing a reliable anomaly model is highly challenging due to insufficient anomaly labels and the prohibitively expensive cost of obtaining anomaly examples. It imposes a significant bottleneck to evaluate model quality for model selection and parameter tuning reliably. As a result, many existing anomaly detection algorithms fail to show their promised performance after deployment. In this paper, we propose LaF-AD, a novel anomaly detection algorithm with label-free model selection for unlabeled times-series data. Our proposed algorithm performs a fully unsupervised ensemble learning across a large number of candidate parametric models. We develop a model variance metric that quantifies the sensitivity of anomaly probability with a bootstrapping method. Then it makes a collective decision for anomaly events by model learners using the model variance. Our algorithm is easily parallelizable, more robust for ill-conditioned and seasonal data, and highly scalable for a large number of anomaly models. We evaluate our algorithm against other state-of-the-art methods on a synthetic domain and a benchmark public data set.
• Abstract（参考訳）: 時系列データの異常検出は多くのデータ駆動アプリケーションにとって必須のタスクとなり、大量のデータと機械学習アルゴリズムを駆使する。 多くの現実世界において、信頼性の高い異常モデルの開発は、異常ラベルの不足と異常の例を得るのに非常にコストがかかるため、非常に困難である。 モデル選択とパラメータチューニングのモデル品質を評価するために、重大なボトルネックが課される。 その結果、既存の異常検出アルゴリズムの多くは、デプロイ後に約束されたパフォーマンスを示すことができない。 本稿では,ラベルなし時系列データに対するラベルなしモデル選択を用いた新しい異常検出アルゴリズムlaf-adを提案する。 提案アルゴリズムは,多数のパラメトリックモデルに対して完全に教師なしのアンサンブル学習を行う。 ブートストラップ法を用いて,異常確率の感度を定量化するモデル分散メトリックを開発した。 そして,モデル分散を用いたモデル学習者による異常事象の集合的決定を行う。 我々のアルゴリズムは容易に並列化でき、不調データや季節データに対してより堅牢であり、多数の異常モデルに対して高度にスケーラブルである。 提案アルゴリズムは,合成ドメインおよびベンチマーク公開データセット上の他の最先端手法と比較して評価する。

関連論文リスト

• AnomalyLLM: Few-shot Anomaly Edge Detection for Dynamic Graphs using Large Language Models [19.36513465638031]
  AnomalyLLMは、いくつかのラベル付きサンプルの情報を統合して、数発の異常検出を実現する、コンテキスト内学習フレームワークである。 4つのデータセットの実験により、AnomalyLLMは、数発の異常検出のパフォーマンスを著しく改善できるだけでなく、モデルパラメータを更新することなく、新しい異常に対して優れた結果を得ることができることが明らかになった。
  論文  参考訳（メタデータ） (2024-05-13T10:37:50Z)
• 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)
• DEGAN: Time Series Anomaly Detection using Generative Adversarial Network Discriminators and Density Estimation [0.0]
  我々は,GANに基づく異常検出フレームワークDEGANを提案する。 これは、適切に構成された識別器(D)をスタンドアロンの異常予測器に訓練するための入力として、通常の時系列データにのみ依存する。
  論文  参考訳（メタデータ） (2022-10-05T04:32:12Z)
• Unsupervised Model Selection for Time-series Anomaly Detection [7.8027110514393785]
  提案手法は, 予測誤差, モデル中心性, および, 注入された合成異常に対する性能の3種類のサロゲート(教師なし)メトリクスを同定する。 我々は、厳密なランク集約問題として、複数の不完全なサロゲート指標との計量結合を定式化する。 複数の実世界のデータセットに対する大規模な実験は、我々の提案した教師なしアプローチが、最も正確なモデルを選択するのと同じくらい効果的であることを示す。
  論文  参考訳（メタデータ） (2022-10-03T16:49:30Z)
• MOSPAT: AutoML based Model Selection and Parameter Tuning for Time Series Anomaly Detection [8.942168855247548]
  MOSPATは、モデルとパラメータの選択のためのエンドツーエンドの機械学習ベースのアプローチである。 実データおよび合成データを用いた実験により, この手法は, 一つのアルゴリズムを用いて一貫した性能を発揮することを示した。
  論文  参考訳（メタデータ） (2022-05-24T03:28:52Z)
• 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)
• 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)
• 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)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。