論文の概要: Hankel-structured Tensor Robust PCA for Multivariate Traffic Time Series
Anomaly Detection
- arxiv url: http://arxiv.org/abs/2110.04352v1
- Date: Fri, 8 Oct 2021 19:35:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-12 18:26:14.821991
- Title: Hankel-structured Tensor Robust PCA for Multivariate Traffic Time Series
Anomaly Detection
- Title（参考訳）: 多変量交通時系列異常検出のためのハンケル構造テンソルロバストPCA
- Authors: Xudong Wang, Luis Miranda-Moreno, Lijun Sun
- Abstract要約: 本研究では,空間データにおける異常検出のためのRPCAのハンケル構造テンソルバージョンを提案する。
劣化した行列を低ランクのハンケルテンソルとスパース行列に分解する。
本手法は, 合成データと乗客フロー時系列を用いて評価する。
- 参考スコア（独自算出の注目度）: 9.067182100565695
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spatiotemporal traffic data (e.g., link speed/flow) collected from sensor
networks can be organized as multivariate time series with additional spatial
attributes. A crucial task in analyzing such data is to identify and detect
anomalous observations and events from the data with complex spatial and
temporal dependencies. Robust Principal Component Analysis (RPCA) is a widely
used tool for anomaly detection. However, the traditional RPCA purely relies on
the global low-rank assumption while ignoring the local temporal correlations.
In light of this, this study proposes a Hankel-structured tensor version of
RPCA for anomaly detection in spatiotemporal data. We treat the raw data with
anomalies as a multivariate time series matrix (location $\times$ time) and
assume the denoised matrix has a low-rank structure. Then we transform the
low-rank matrix to a third-order tensor by applying temporal Hankelization. In
the end, we decompose the corrupted matrix into a low-rank Hankel tensor and a
sparse matrix. With the Hankelization operation, the model can simultaneously
capture the global and local spatiotemporal correlations and exhibit more
robust performance. We formulate the problem as an optimization problem and use
tensor nuclear norm (TNN) to approximate the tensor rank and $l_1$ norm to
approximate the sparsity. We develop an efficient solution algorithm based on
the Alternating Direction Method of Multipliers (ADMM). Despite having three
hyper-parameters, the model is easy to set in practice. We evaluate the
proposed method by synthetic data and metro passenger flow time series and the
results demonstrate the accuracy of anomaly detection.
- Abstract（参考訳）: センサネットワークから収集された時空間トラフィックデータ(例えばリンク速度/フロー)は、追加の空間特性を持つ多変量時系列として整理することができる。
このようなデータを分析する上で重要なタスクは、複雑な空間的および時間的依存関係を持つデータから異常な観測と事象を特定し、検出することである。
Robust principal Component Analysis (RPCA)は、異常検出のための広く使われているツールである。
しかし、従来のRPCAは、局所的な時間的相関を無視しながら、グローバルな低ランクの仮定に依存している。
そこで本研究では,時空間データの異常検出のためのハンケル構造テンソル型rpcaを提案する。
生データを多変量時系列行列(location $\times$ time)として扱い、復号化行列が低ランク構造を持つと仮定する。
そして、時間的ハンケリゼーションを適用して、低ランク行列を3階テンソルに変換する。
最後に、劣化した行列を低ランクのハンケルテンソルとスパース行列に分解する。
ハンケル化操作により、このモデルは、グローバルとローカルの時空間相関を同時に捉え、より堅牢な性能を示すことができる。
この問題を最適化問題として定式化し、テンソルランクの近似にテンソル核ノルム(tnn)、スパーシティの近似に$l_1$ノルムを用いる。
乗算器の交互方向法(admm)に基づく効率的な解法アルゴリズムを開発した。
3つのハイパーパラメータを持つにもかかわらず、モデルは実際に簡単に設定できる。
提案手法は, 合成データとメトロ乗客フロー時系列を用いて評価し, 異常検出の精度を実証した。
関連論文リスト
- Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。
本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。
我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文 参考訳（メタデータ） (2024-07-19T13:33:38Z) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z) - 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) - Correlation-aware Spatial-Temporal Graph Learning for Multivariate
Time-series Anomaly Detection [67.60791405198063]
時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。
CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。
新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
論文 参考訳（メタデータ） (2023-07-17T11:04:27Z) - AnomalyBERT: Self-Supervised Transformer for Time Series Anomaly
Detection using Data Degradation Scheme [0.7216399430290167]
時系列、特にラベルなしデータに対する異常検出タスクは、難しい問題である。
自己教師型モデルトレーニングに適切なデータ劣化スキームを適用することで、この問題に対処する。
自己認識機構に触発されて、時間的文脈を認識するトランスフォーマーベースのアーキテクチャを設計する。
論文 参考訳（メタデータ） (2023-05-08T05:42:24Z) - 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) - Nonparametric Factor Trajectory Learning for Dynamic Tensor
Decomposition [20.55025648415664]
動的テンソル分解(NONFAT)のためのNON FActor Trajectory Learningを提案する。
我々は第2レベルのGPを用いてエントリ値をサンプリングし、エンティティ間の時間的関係をキャプチャする。
実世界のいくつかの応用において,本手法の利点を示した。
論文 参考訳（メタデータ） (2022-07-06T05:33:00Z) - Truncated tensor Schatten p-norm based approach for spatiotemporal
traffic data imputation with complicated missing patterns [77.34726150561087]
本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。
本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
論文 参考訳（メタデータ） (2022-05-19T08:37:56Z) - Low-Rank Hankel Tensor Completion for Traffic Speed Estimation [7.346671461427793]
交通状態推定問題に対する純粋にデータ駆動型かつモデルフリーなソリューションを提案する。
このテンソル構造に低ランクな仮定を課すことで、大域的パターンと未知の複素局所力学の両方を近似することができる。
本研究では,合成シミュレーションデータと実世界の高分解能データの両方について数値実験を行い,提案モデルの有効性と優位性を実証した。
論文 参考訳（メタデータ） (2021-05-21T00:08:06Z) - 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) - RobustTAD: Robust Time Series Anomaly Detection via Decomposition and
Convolutional Neural Networks [37.16594704493679]
本稿では,ロバスト時系列異常検出フレームワークRobustTADを提案する。
時系列データのために、堅牢な季節差分解と畳み込みニューラルネットワークを統合する。
パブリックオンラインサービスとしてデプロイされ、Alibaba Groupのさまざまなビジネスシナリオで広く採用されている。
論文 参考訳（メタデータ） (2020-02-21T20:43:45Z)
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。