論文の概要: Innovations Autoencoder and its Application in Real-Time Anomaly Detection

• arxiv url: http://arxiv.org/abs/2106.12382v1
• Date: Wed, 23 Jun 2021 13:24:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-24 15:28:32.540324
• Title: Innovations Autoencoder and its Application in Real-Time Anomaly Detection
• Title（参考訳）: オートエンコーダの革新とリアルタイム異常検出への応用
• Authors: Xinyi Wang, Lang Tong
• Abstract要約: イノベーションシーケンス(英: innovations sequence)とは、元の時系列が因果表現を持つ独立かつ同一に分布する確率変数の列である。 本稿では、因果畳み込みニューラルネットワークを用いてイノベーションシーケンスを抽出する、IAE(Innovations Autoencoder)と呼ばれるディープラーニングアプローチを提案する。 未知の異常モデルと無異常モデルを用いた非パラメトリック異常検出へのIAEの適用について述べる。
• 参考スコア（独自算出の注目度）: 18.782750537161615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An innovations sequence of a time series is a sequence of independent and identically distributed random variables with which the original time series has a causal representation. The innovation at a time is statistically independent of the prior history of the time series. As such, it represents the new information contained at present but not in the past. Because of its simple probability structure, an innovations sequence is the most efficient signature of the original. Unlike the principle or independent analysis (PCA/ICA) representations, an innovations sequence preserves not only the complete statistical properties but also the temporal order of the original time series. An long-standing open problem is to find a computationally tractable way to extract an innovations sequence of non-Gaussian processes. This paper presents a deep learning approach, referred to as Innovations Autoencoder (IAE), that extracts innovations sequences using a causal convolutional neural network. An application of IAE to nonparametric anomaly detection with unknown anomaly and anomaly-free models is also presented.
• Abstract（参考訳）: 時系列のイノベーティブシーケンス(innovations sequence of a time series)は、元の時系列が因果表現を持つ独立かつ同分布の確率変数の列である。 当時の革新は、時系列の以前の歴史とは統計的に独立している。 そのため、現在に含まれている新しい情報を表すが、過去にはない。 単純な確率構造のため、イノベーションシーケンスはオリジナルの最も効率的な署名である。 原理または独立解析(PCA/ICA)表現とは異なり、革新系列は完全な統計的性質だけでなく、オリジナルの時系列の時間順序も保存する。 長年の未解決問題は、非ガウス過程のイノベーション列を抽出するための計算的に扱いやすい方法を見つけることである。 本稿では,因果畳み込みニューラルネットワークを用いてイノベーションシーケンスを抽出する,innovations autoencoder(iae)と呼ばれるディープラーニング手法を提案する。 未知の異常モデルと無異常モデルを用いた非パラメトリック異常検出へのIAEの適用について述べる。

関連論文リスト

• 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)
• LARA: A Light and Anti-overfitting Retraining Approach for Unsupervised Time Series Anomaly Detection [49.52429991848581]
  深部変分自動エンコーダに基づく時系列異常検出手法(VAE)のための光・反オーバーフィット学習手法(LARA)を提案する。 本研究の目的は,1) 再学習過程を凸問題として定式化し, 過度に収束できること,2) 履歴データを保存せずに活用するルミネートブロックを設計すること,3) 潜在ベクトルと再構成データの微調整を行うと, 線形形成が基底真実と微調整されたブロックとの誤りを最小に調整できることを数学的に証明することである。
  論文  参考訳（メタデータ） (2023-10-09T12:36:16Z)
• Sig-Splines: universal approximation and convex calibration of time series generative models [0.0]
  本アルゴリズムは,従来のニューラルネットワークのシームレスな置換として線形変換とシグネチャ変換を取り入れたアルゴリズムである。 このアプローチにより、ニューラルネットワークに固有の普遍性だけでなく、モデルパラメータの凸性も実現できる。
  論文  参考訳（メタデータ） (2023-07-19T05:58:21Z)
• Non-parametric Probabilistic Time Series Forecasting via Innovations Representation [29.255644836978956]
  確率的時系列予測は、過去の実現後の時間における時系列の条件付き確率分布を予測する。 既存のアプローチは主にパラメトリックまたは半パラメトリックの時系列モデルに基づいており、制限があり、検証が困難であり、様々な条件に適応することが困難である。 本論文では,Norbert Wiener と Gopinath Kallianpur の先駆的なエムイノベーションの古典的概念に基づく非パラメトリック手法を提案する。
  論文  参考訳（メタデータ） (2023-06-05T02:24:59Z)
• 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)
• Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
  ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。 本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:48:02Z)
• Neural ODE Processes [64.10282200111983]
  NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。 我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-03-23T09:32:06Z)
• 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)
• Independent Innovation Analysis for Nonlinear Vector Autoregressive Process [0.8379286663107844]
  付加性は非線形ベクトル自己回帰モデルの一般性を制限する。 独立イノベーション分析(IIA)と呼ばれる新しい一般的枠組みを提案する。 IIAは任意の非線形性を持つ革新の識別可能性を保証する。
  論文  参考訳（メタデータ） (2020-06-19T03:41:12Z)
• Variational inference formulation for a model-free simulation of a dynamical system with unknown parameters by a recurrent neural network [8.616180927172548]
  本研究では,事前知識のない未知パラメータを持つ力学系の「モデルフリー」シミュレーションを提案する。 ディープラーニングモデルは,非線形時間行進演算子と未知パラメータの影響を時系列データセットから共同学習することを目的としている。 提案したディープラーニングモデルは,乱数パラメータの次元を正確に同定し,複雑な時系列データの表現を学習することができる。
  論文  参考訳（メタデータ） (2020-03-02T20:57:02Z)

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。