論文の概要: Memory-augmented Adversarial Autoencoders for Multivariate Time-series
Anomaly Detection with Deep Reconstruction and Prediction
- arxiv url: http://arxiv.org/abs/2110.08306v1
- Date: Fri, 15 Oct 2021 18:29:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-22 02:32:14.099249
- Title: Memory-augmented Adversarial Autoencoders for Multivariate Time-series
Anomaly Detection with Deep Reconstruction and Prediction
- Title（参考訳）: 深部再構成と予測による多変量時系列異常検出のためのメモリ拡張逆数オートエンコーダ
- Authors: Qinfeng Xiao, Shikuan Shao, Jing Wang
- Abstract要約: 本稿では,時系列の非教師付き異常検出手法であるMemAAEを提案する。
2つの補完的プロキシタスク、再構築と予測を共同でトレーニングすることにより、複数のタスクによる異常検出が優れた性能を得ることを示す。
MemAAEは4つの公開データセットで総合F1スコアの0.90を達成し、最高のベースラインである0.02を上回っている。
- 参考スコア（独自算出の注目度）: 4.033624665609417
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Detecting anomalies for multivariate time-series without manual supervision
continues a challenging problem due to the increased scale of dimensions and
complexity of today's IT monitoring systems. Recent progress of unsupervised
time-series anomaly detection mainly use deep autoencoders to solve this
problem, i.e. training on normal samples and producing significant
reconstruction error on abnormal inputs. However, in practice, autoencoders can
reconstruct anomalies so well, due to powerful capabilites of neural networks.
Besides, these approaches can be ineffective for identifying non-point
anomalies, e.g. contextual anomalies and collective anomalies, since they
solely utilze a point-wise reconstruction objective. To tackle the above
issues, we propose MemAAE (\textit{Memory-augmented Adversarial Autoencoders
with Deep Reconstruction and Prediction}), a novel unsupervised anomaly
detection method for time-series. By jointly training two complementary proxy
tasks, reconstruction and prediction, with a shared network architecture, we
show that detecting anomalies via multiple tasks obtains superior performance
rather than single-task training. Additionally, a compressive memory module is
introduced to preserve normal patterns, avoiding unexpected generalization on
abnormal inputs. Through extensive experiments, MemAAE achieves an overall F1
score of 0.90 on four public datasets, significantly outperforming the best
baseline by 0.02.
- Abstract（参考訳）: 手動の監督なしに多変量時系列の異常を検出することは、今日のIT監視システムの規模と複雑さの増大により、依然として困難な問題である。
非教師なし時系列異常検出の最近の進歩は、主にディープオートエンコーダを使用してこの問題を解決している。
しかし、実際には、ニューラルネットワークの強力なカパビライトのため、オートエンコーダは異常を再構築することができる。
さらに、これらのアプローチは、非点異常、例えば文脈異常や集団異常を識別するのには有効ではない。
このような問題に対処するため,我々は,時系列の非教師付き異常検出手法であるMemAAE(\textit{Memory-augmented Adversarial Autoencoders with Deep Reconstruction and Prediction})を提案する。
2つの補完的プロキシタスク、再構築と予測を共有ネットワークアーキテクチャで共同でトレーニングすることにより、複数タスクによる異常検出がシングルタスクトレーニングよりも優れたパフォーマンスが得られることを示す。
さらに、通常パターンを保存するために圧縮メモリモジュールが導入され、異常入力の予期せぬ一般化を避ける。
大規模な実験を通じて、MemAAEは4つの公開データセットで総合F1スコアの0.90を達成し、最高のベースラインである0.02を上回った。
関連論文リスト
- USD: Unsupervised Soft Contrastive Learning for Fault Detection in Multivariate Time Series [6.055410677780381]
本研究では,データ拡張とソフトコントラスト学習の組み合わせを導入し,より正確に状態行動の多面的特性を捉えることを目的としている。
この二重戦略は、正常な状態と異常な状態を区別するモデルの能力を著しく向上させ、複数のデータセットと設定で障害検出性能が著しく向上する。
論文 参考訳（メタデータ） (2024-05-25T14:48:04Z) - 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) - 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) - 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) - 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) - Self-Supervised Masked Convolutional Transformer Block for Anomaly
Detection [122.4894940892536]
本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。
本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
論文 参考訳（メタデータ） (2022-09-25T04:56:10Z) - 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) - Unsupervised Deep Anomaly Detection for Multi-Sensor Time-Series Signals [10.866594993485226]
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。
論文 参考訳（メタデータ） (2021-07-27T06:48:20Z) - CSCAD: Correlation Structure-based Collective Anomaly Detection in
Complex System [11.739889613196619]
大規模システムにおける高次元異常検出問題に対する相関構造に基づく集団異常検出モデルを提案する。
本フレームワークでは,変分オートエンコーダを組み合わせたグラフ畳み込みネットワークを用いて,特徴空間の相関とサンプルの再構成不足を共同で活用する。
異常判別ネットワークは、低異常度サンプルを正のサンプルとして、高異常度サンプルを負のサンプルとしてトレーニングすることができる。
論文 参考訳（メタデータ） (2021-05-30T09:28:25Z) - 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)
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。