論文の概要: Forecast-based Multi-aspect Framework for Multivariate Time-series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2201.04792v1
• Date: Thu, 13 Jan 2022 05:12:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-15 00:19:30.285223
• Title: Forecast-based Multi-aspect Framework for Multivariate Time-series Anomaly Detection
• Title（参考訳）: 多変量時系列異常検出のための予測型マルチアスペクトフレームワーク
• Authors: Lan Wang, Yusan Lin, Yuhang Wu, Huiyuan Chen, Fei Wang, Hao Yang
• Abstract要約: 本稿では、FMUAD - Forecastベースのマルチアスペクト、教師なし異常検出フレームワークを提案する。 独立モジュールとの空間的変化、時間的変化、相関変化といった、異常なタイプの特徴をキャプチャする。 実験では、他の最先端の予測に基づく異常検出装置よりも一貫して優れていることが示された。
• 参考スコア（独自算出の注目度）: 35.5539484341082
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Today's cyber-world is vastly multivariate. Metrics collected at extreme varieties demand multivariate algorithms to properly detect anomalies. However, forecast-based algorithms, as widely proven approaches, often perform sub-optimally or inconsistently across datasets. A key common issue is they strive to be one-size-fits-all but anomalies are distinctive in nature. We propose a method that tailors to such distinction. Presenting FMUAD - a Forecast-based, Multi-aspect, Unsupervised Anomaly Detection framework. FMUAD explicitly and separately captures the signature traits of anomaly types - spatial change, temporal change and correlation change - with independent modules. The modules then jointly learn an optimal feature representation, which is highly flexible and intuitive, unlike most other models in the category. Extensive experiments show our FMUAD framework consistently outperforms other state-of-the-art forecast-based anomaly detectors.
• Abstract（参考訳）: 今日のサイバーワールドは多変量だ。 極端な種類で収集されたメトリクスは、異常を適切に検出するために多変量アルゴリズムを要求する。 しかし、予測に基づくアルゴリズムは、広く証明されたアプローチとして、しばしばデータセット間で準最適または矛盾なく実行される。 大きな問題は、それらはすべて1サイズにフィットするが、異常は自然に特有のものである。 このような区別に合わせた手法を提案する。 FMUAD - 予測に基づくマルチアスペクト、教師なし異常検出フレームワーク。 fmuadは、異常型空間変化、時間変化、相関変化のシグネチャ特性を、独立モジュールと明示的に分離してキャプチャする。 モジュールは、カテゴリの他のほとんどのモデルとは異なり、柔軟で直感的な最適な特徴表現を共同で学習する。 大規模な実験により、我々のFMUADフレームワークは、他の最先端の予測ベースの異常検知器よりも一貫して優れています。

関連論文リスト

• Partial-Multivariate Model for Forecasting [28.120094495344453]
  本稿では,問題予測のためのトランスフォーマーに基づく部分多変量モデルPMformerを提案する。 PMformerは様々な単変量モデルと完全多変量モデルより優れていることを示す。 また、PMformerの他の利点として、機能不足による効率性と堅牢性を強調します。
  論文  参考訳（メタデータ） (2024-08-19T05:18:50Z)
• 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)
• Entropy Causal Graphs for Multivariate Time Series Anomaly Detection [7.402342914903391]
  本研究では,多変量時系列異常検出のためのエントロピー因果グラフであるCGADを提案する。 CGADは転送エントロピーを利用して時系列データ間の因果関係を明らかにするグラフ構造を構築する。 CGADは、15%の平均的な改善で、実世界のデータセット上で最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-12-15T01:35:00Z)
• Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
  本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。 実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
  論文  参考訳（メタデータ） (2023-10-17T06:29:09Z)
• Diversity-Measurable Anomaly Detection [106.07413438216416]
  本稿では,再構成の多様性を高めるため,DMAD(Diversity-Measurable Anomaly Detection)フレームワークを提案する。 PDMは基本的に、変形を埋め込みから分離し、最終的な異常スコアをより信頼性を高める。
  論文  参考訳（メタデータ） (2023-03-09T05:52:42Z)
• Detecting Multivariate Time Series Anomalies with Zero Known Label [17.930211011723447]
  MTGFlowは多変量時系列異常検出のための教師なし異常検出手法である。 エンティティ間の複雑な相互依存性と各エンティティ固有の特性は、密度推定に重大な課題を生じさせる。 7つのベースラインを持つ5つの公開データセットの実験が行われ、MTGFlowはSOTA法を最大5.0AUROC%で上回っている。
  論文  参考訳（メタデータ） (2022-08-03T14:38:19Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Deep Federated Anomaly Detection for Multivariate Time Series Data [93.08977495974978]
  本稿では,Fed-ExDNN(Federated Exemplar-based Deep Neural Network)を用いて,異なるエッジデバイス上での多変量時系列データの異常検出を行う。 ExDNNとFed-ExDNNは、最先端の異常検出アルゴリズムやフェデレーション学習技術より優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-09T05:06:58Z)
• Machine Learning for Multi-Output Regression: When should a holistic multivariate approach be preferred over separate univariate ones? [62.997667081978825]
  ランダムフォレストのような木に基づくアンサンブルは、統計学の手法の中で近代的な古典である。 これらの手法を広範囲なシミュレーションで比較し,多変量アンサンブル技術を用いた場合の主問題に答える。
  論文  参考訳（メタデータ） (2022-01-14T08:44:25Z)
• An Evaluation of Anomaly Detection and Diagnosis in Multivariate Time Series [7.675917669905486]
  本稿では,異常検出・診断のための教師なし・半教師付き深層学習手法の体系的・包括的評価について述べる。 我々は、10のモデルと4のスコアリング関数のグリッドを通して、モデルエラーのモデルと後処理を変え、これらの変種を最先端の手法と比較する。 既存の評価指標は、事象を考慮に入れていないか、良い検知器と自明な検出器を区別できないかのどちらかである。
  論文  参考訳（メタデータ） (2021-09-23T15:14:24Z)

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。