Fugu-MT 論文翻訳(概要): Online false discovery rate control for anomaly detection in time series

論文の概要: Online false discovery rate control for anomaly detection in time series

arxiv url: http://arxiv.org/abs/2112.03196v1
Date: Mon, 6 Dec 2021 17:55:01 GMT
ステータス: 処理完了
システム内更新日: 2021-12-07 15:35:42.208380
Title: Online false discovery rate control for anomaly detection in time series
Title（参考訳）: 時系列異常検出のためのオンライン偽発見率制御
Authors: Quentin Rebjock, Bar{\i}\c{s} Kurt, Tim Januschowski, Laurent Callot
Abstract要約: 本稿では,false discovery rate control(FDRC)に関する新しいルールを提案する。オンラインFDRCルールは、一連の統計テストの特性を制御できる。
参考スコア（独自算出の注目度）: 7.400471556016708
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This article proposes novel rules for false discovery rate control (FDRC) geared towards online anomaly detection in time series. Online FDRC rules allow to control the properties of a sequence of statistical tests. In the context of anomaly detection, the null hypothesis is that an observation is normal and the alternative is that it is anomalous. FDRC rules allow users to target a lower bound on precision in unsupervised settings. The methods proposed in this article overcome short-comings of previous FDRC rules in the context of anomaly detection, in particular ensuring that power remains high even when the alternative is exceedingly rare (typical in anomaly detection) and the test statistics are serially dependent (typical in time series). We show the soundness of these rules in both theory and experiments.
Abstract（参考訳）: 本稿では,時系列におけるオンライン異常検出を目的とした偽発見率制御(FDRC)の新しいルールを提案する。オンラインFDRCルールは、一連の統計テストの特性を制御することができる。異常検出の文脈では、ヌル仮説(null hypothesis)は観測が正常であり、また別の仮説は異常であるということである。 FDRCルールでは、教師なしの設定で精度の低い境界を目標にすることができる。本稿では, 従来のFDRC規則の欠点を, 異常検出の文脈で克服し, 特に, 異常検出が極めて稀な場合(異常検出では典型的に) , テスト統計が逐次依存している場合(時系列では典型的に) においても, 電力が高いままであることを保証する。理論と実験の両方においてこれらの規則の健全性を示す。

関連論文リスト

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)
When Model Meets New Normals: Test-time Adaptation for Unsupervised Time-series Anomaly Detection [45.57544783322024]
時系列異常検出は、観測順序から正規性を学ぶことによって異常な時間ステップを検出する問題を扱う。本稿では,教師なし時系列異常検出研究における新しい正規問題の有効性を明らかにする。本稿では、トレンド推定に基づく簡易かつ効果的なテスト時間適応戦略と、推論中の新しい正規性を学習するための自己教師型アプローチを提案する。
論文参考訳（メタデータ） (2023-12-19T09:18:12Z)
BatchNorm-based Weakly Supervised Video Anomaly Detection [117.11382325721016]
弱教師付きビデオ異常検出では、異常事象の時間的特徴は、しばしば異常な特性を示す。本稿では,BatchNormをWVADに組み込んだBN-WVADを提案する。提案したBN-WVADモデルでは、UCF-CrimeのAUCは87.24%、XD-Violenceは84.93%に達する。
論文参考訳（メタデータ） (2023-11-26T17:47:57Z)
Explainable Time Series Anomaly Detection using Masked Latent Generative Modeling [1.3927943269211591]
本稿では,新しい時系列異常検出法であるTimeVQVAE-ADを提案する。 TimeVQVAE-ADは、優れた説明性を提供しながら、優れた検出精度を実現する。私たちはGitHubに実装を提供しています。
論文参考訳（メタデータ） (2023-11-21T11:59:16Z)
Open-Set Graph Anomaly Detection via Normal Structure Regularisation [30.638274744518682]
Open-set Graph Anomaly Detection (GAD)は、少数の正規ノードと異常ノードを使用して検出モデルをトレーニングすることを目的としている。現在の監督型GAD法は、目に見えない異常を正常なノードとして検出する多くの誤りを招き、その異常を過度に強調する傾向にある。本稿では,新しいオープンセットGAD手法,すなわち正規構造正規化(NSReg)を提案する。
論文参考訳（メタデータ） (2023-11-12T13:25:28Z)
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)
AGAD: Adversarial Generative Anomaly Detection [12.68966318231776]
異常検出は,異常の多様性と大規模異常データ取得の困難さにより異常の欠如に悩まされた。本稿では,自己コントラストに基づく異常検出パラダイムであるAdversarial Generative Anomaly Detection (AGAD)を提案する。本手法は,教師付きおよび半教師付き両方の異常検出シナリオに対して擬似異常データを生成する。
論文参考訳（メタデータ） (2023-04-09T10:40:02Z)
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)
Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection [90.32910087103744]
ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。本稿では,オープンセット型教師付き異常検出に取り組む。
論文参考訳（メタデータ） (2022-03-28T05:21:37Z)
Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文参考訳（メタデータ） (2021-08-01T14:33:17Z)
Regularized Cycle Consistent Generative Adversarial Network for Anomaly Detection [5.457279006229213]
本稿では, ニューラルネットワークを逆向きに訓練し, 異常なサンプルをよりよく認識するRCGAN(Regularized Cycle Consistent Generative Adversarial Network)を提案する。実世界のデータと合成データの両方に対する実験結果から,我々のモデルが過去の異常検出ベンチマークにおいて有意かつ一貫した改善をもたらすことが示された。
論文参考訳（メタデータ） (2020-01-18T03:35:05Z)

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。