論文の概要: Unsupervised Deep Anomaly Detection for Multi-Sensor Time-Series Signals
- arxiv url: http://arxiv.org/abs/2107.12626v1
- Date: Tue, 27 Jul 2021 06:48:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-29 00:10:12.621223
- Title: Unsupervised Deep Anomaly Detection for Multi-Sensor Time-Series Signals
- Title（参考訳）: マルチセンサ時系列信号の教師なし深部異常検出
- Authors: Yuxin Zhang, Yiqiang Chen, Jindong Wang, Zhiwen Pan
- Abstract要約: 本稿では,Deep Convolutional Autoencoding Memory Network (CAE-M) という,ディープラーニングに基づく新しい異常検出アルゴリズムを提案する。
我々はまず,最大平均離散値(MMD)を用いたマルチセンサデータの空間依存性を特徴付けるディープ畳み込みオートエンコーダを構築する。
そして,線形(自己回帰モデル)と非線形予測(注意を伴う大規模LSTM)からなるメモリネットワークを構築し,時系列データから時間依存性を捉える。
- 参考スコア（独自算出の注目度）: 10.866594993485226
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Nowadays, multi-sensor technologies are applied in many fields, e.g., Health
Care (HC), Human Activity Recognition (HAR), and Industrial Control System
(ICS). These sensors can generate a substantial amount of multivariate
time-series data. Unsupervised anomaly detection on multi-sensor time-series
data has been proven critical in machine learning researches. The key challenge
is to discover generalized normal patterns by capturing spatial-temporal
correlation in multi-sensor data. Beyond this challenge, the noisy data is
often intertwined with the training data, which is likely to mislead the model
by making it hard to distinguish between the normal, abnormal, and noisy data.
Few of previous researches can jointly address these two challenges. In this
paper, we propose a novel deep learning-based anomaly detection algorithm
called Deep Convolutional Autoencoding Memory network (CAE-M). We first build a
Deep Convolutional Autoencoder to characterize spatial dependence of
multi-sensor data with a Maximum Mean Discrepancy (MMD) to better distinguish
between the noisy, normal, and abnormal data. Then, we construct a Memory
Network consisting of linear (Autoregressive Model) and non-linear predictions
(Bidirectional LSTM with Attention) to capture temporal dependence from
time-series data. Finally, CAE-M jointly optimizes these two subnetworks. We
empirically compare the proposed approach with several state-of-the-art anomaly
detection methods on HAR and HC datasets. Experimental results demonstrate that
our proposed model outperforms these existing methods.
- Abstract（参考訳）: 今日では、医療(HC)、人間活動認識(HAR)、産業制御システム(ICS)など、多くの分野でマルチセンサー技術が採用されている。
これらのセンサーは多変量時系列データを生成することができる。
マルチセンサー時系列データによる教師なし異常検出は、機械学習研究において重要であることが証明されている。
鍵となる課題は、マルチセンサーデータの空間-時間相関を捉えて一般化した正規パターンを見つけることである。
この課題を超えて、ノイズデータはしばしばトレーニングデータと絡み合っており、正常データ、異常データ、ノイズデータの区別を困難にすることで、モデルを誤解させる可能性がある。
この2つの課題を共同で解決できる先行研究はほとんどない。
本稿では,Deep Convolutional Autoencoding Memory Network (CAE-M) と呼ばれる,ディープラーニングに基づく新しい異常検出アルゴリズムを提案する。
我々はまず,マルチセンサデータの空間依存性を最大平均離散値(MMD)で特徴付けるディープ畳み込みオートエンコーダを構築し,ノイズ,正常,異常データをよりよく識別する。
そして,線形(自己回帰モデル)と非線形予測(意図付き双方向LSTM)からなるメモリネットワークを構築し,時系列データから時間依存性を捉える。
最後に、CAE-Mはこれら2つのサブネットを共同で最適化する。
提案手法をharおよびhcデータセットにおける最先端異常検出手法と比較した。
実験の結果,提案手法は既存の手法よりも優れていることがわかった。
関連論文リスト
- 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) - 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) - Unraveling the "Anomaly" in Time Series Anomaly Detection: A
Self-supervised Tri-domain Solution [89.16750999704969]
異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。
自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。
自己教師型3領域異常検出器(TriAD)を提案する。
論文 参考訳（メタデータ） (2023-11-19T05:37:18Z) - Coupled Attention Networks for Multivariate Time Series Anomaly
Detection [10.620044922371177]
多変量時系列データにおける異常検出のためのアテンションベースニューラルネットワークフレームワーク(CAN)を提案する。
センサ間の関係と時間的依存関係をキャプチャするために、グローバルローカルグラフに基づく畳み込みニューラルネットワークを時間的自己認識モジュールに統合する。
論文 参考訳（メタデータ） (2023-06-12T13:42:56Z) - DTAAD: Dual Tcn-Attention Networks for Anomaly Detection in Multivariate Time Series Data [0.0]
本稿では,Transformer と Dual Temporal Convolutional Network (TCN) に基づく異常検出・診断モデル DTAAD を提案する。
予測精度の向上と相関性の向上のために,スケーリング手法とフィードバック機構を導入している。
7つの公開データセットに対する実験により、DTAADは検出および診断性能の両面で現在最先端のベースライン法の大部分を超えていることが確認された。
論文 参考訳（メタデータ） (2023-02-17T06:59:45Z) - DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and
Temporal Relatedness [78.98998551326812]
従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。
我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。
本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
論文 参考訳（メタデータ） (2022-09-26T21:59:14Z) - Federated Variational Learning for Anomaly Detection in Multivariate
Time Series [13.328883578980237]
本稿では,非教師付き時系列異常検出フレームワークを提案する。
我々は,畳み込みGated Recurrent Unit(ConvGRU)モデルに基づいて,共有変分オートエンコーダ(VAE)を学習するために,エッジに分散したトレーニングデータを残しておく。
3つの実世界のネットワークセンサーデータセットの実験は、他の最先端モデルに対する我々のアプローチの利点を示しています。
論文 参考訳（メタデータ） (2021-08-18T22:23:15Z) - 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) - 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) - Data Anomaly Detection for Structural Health Monitoring of Bridges using
Shapelet Transform [0.0]
多くの構造健康モニタリング(SHM)システムが、土木インフラを監視するために配備されている。
SHMシステムによって測定されたデータは、故障または故障したセンサーによって引き起こされる複数の異常によって影響を受ける傾向にある。
本稿では,SHMデータの異常を自律的に識別するために,Shapelet Transformという比較的新しい時系列表現を提案する。
論文 参考訳（メタデータ） (2020-08-31T01:11:04Z) - 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)
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。