論文の概要: Anomaly Transformer: Time Series Anomaly Detection with Association
Discrepancy
- arxiv url: http://arxiv.org/abs/2110.02642v1
- Date: Wed, 6 Oct 2021 10:33:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-07 14:19:16.700089
- Title: Anomaly Transformer: Time Series Anomaly Detection with Association
Discrepancy
- Title(参考訳): Anomaly Transformer:Associated Discrepancyによる時系列異常検出
- Authors: Jiehui Xu, Haixu Wu, Jianmin Wang, Mingsheng Long
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 68.86835407617778
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Unsupervisedly detecting anomaly points in time series is challenging, which
requires the model to learn informative representations and derive a
distinguishable criterion. Prior methods mainly detect anomalies based on the
recurrent network representation of each time point. However, the point-wise
representation is less informative for complex temporal patterns and can be
dominated by normal patterns, making rare anomalies less distinguishable. We
find that in each time series, each time point can also be described by its
associations with all time points, presenting as a point-wise distribution that
is more expressive for temporal modeling. We further observe that due to the
rarity of anomalies, it is harder for anomalies to build strong associations
with the whole series and their associations shall mainly concentrate on the
adjacent time points. This observation implies an inherently distinguishable
criterion between normal and abnormal points, which we highlight as the
\emph{Association Discrepancy}. Technically we propose the \emph{Anomaly
Transformer} with an \emph{Anomaly-Attention} mechanism to compute the
association discrepancy. A minimax strategy is devised to amplify the
normal-abnormal distinguishability of the association discrepancy. Anomaly
Transformer achieves state-of-the-art performance on six unsupervised time
series anomaly detection benchmarks for three applications: service monitoring,
space \& earth exploration, and water treatment.
- Abstract(参考訳): 時系列における異常点の教師なし検出は困難であり、情報表現を学習し、区別可能な基準を導出する必要がある。
先行手法は主に各時点の繰り返しネットワーク表現に基づいて異常を検出する。
しかし、ポイントワイズ表現は複雑な時間的パターンに対しては情報が少なく、通常のパターンに支配され、稀な異常を区別しにくくする。
各時系列において、各時間点を全ての時間点と関連付けて記述することができ、時間的モデリングにより表現力のある点的分布として表すことができる。
さらに, 異常の希少性のため, 系列全体と強い関連性を構築することは困難であり, 関連性は主に隣接点に集中していることが観察された。
この観察は、通常の点と異常点の間に本質的に区別可能な基準を示しており、これは \emph{Association Discrepancy} として強調する。
技術的には,関係の一致を計算するために,emph{Anomaly-Attention} 機構を備えた \emph{Anomaly-Transformer} を提案する。
相関不一致の正常-異常識別性を増幅するミニマックス戦略を考案した。
Anomaly Transformerは、サービス監視、スペース・アンド・アース探査、水処理の6つの非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。
関連論文リスト
- Spatial-temporal Memories Enhanced Graph Autoencoder for Anomaly Detection in Dynamic Graphs [52.956235109354175]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。
空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。
STRIPEは、動的グラフの異なる空間的・時間的ダイナミクスを効果的に活用することにより、異常を識別する優れた能力を示した。
論文 参考訳(メタデータ) (2024-03-14T02:26:10Z) - 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) - Generating and Reweighting Dense Contrastive Patterns for Unsupervised
Anomaly Detection [59.34318192698142]
我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。
PatchDiffは、様々な種類の異常パターンを効果的に公開する。
MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
論文 参考訳(メタデータ) (2023-12-26T07:08:06Z) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳(メタデータ) (2023-11-27T13:14:06Z) - Learning Multi-Pattern Normalities in the Frequency Domain for Efficient Time Series Anomaly Detection [37.992737349167676]
時系列異常検出のための周波数領域における多重正規パターン対応異常検出手法を提案する。
i) 統一モデルで多様な正規パターンを扱うのに優れたパターン抽出機構、(ii) 時間領域における短期異常を増幅し周波数領域における異常の再構築を妨げる双対的畳み込み機構、(iii) 周波数領域のスパーシリティと並列性を活用してモデル効率を向上させる。
論文 参考訳(メタデータ) (2023-11-26T03:31:43Z) - 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)
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。