論文の概要: An Attention-based ConvLSTM Autoencoder with Dynamic Thresholding for
Unsupervised Anomaly Detection in Multivariate Time Series
- arxiv url: http://arxiv.org/abs/2201.09172v1
- Date: Sun, 23 Jan 2022 04:01:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-28 01:45:12.410474
- Title: An Attention-based ConvLSTM Autoencoder with Dynamic Thresholding for
Unsupervised Anomaly Detection in Multivariate Time Series
- Title（参考訳）: 多変量時系列における教師なし異常検出のための動的閾値付きアテンションベースConvLSTMオートエンコーダ
- Authors: Tareq Tayeh, Sulaiman Aburakhia, Ryan Myers, Abdallah Shami
- Abstract要約: 本稿では,異常検出と診断を行うための動的閾値保持(ACLAE-DT)フレームワークを用いた非教師付き注意型畳み込み長短期記憶(ConvLSTM)オートエンコーダを提案する。
フレームワークは、システムステータスを特徴付ける機能イメージを構築する前に、データの事前処理と強化から始まります。
構築した特徴画像は注意に基づくConvLSTMオートエンコーダに入力される。
その後、再構成エラーを計算し、統計に基づく動的しきい値決定機構により異常を検出し診断する。
- 参考スコア（独自算出の注目度）: 2.9685635948299995
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As a substantial amount of multivariate time series data is being produced by
the complex systems in Smart Manufacturing, improved anomaly detection
frameworks are needed to reduce the operational risks and the monitoring burden
placed on the system operators. However, building such frameworks is
challenging, as a sufficiently large amount of defective training data is often
not available and frameworks are required to capture both the temporal and
contextual dependencies across different time steps while being robust to
noise. In this paper, we propose an unsupervised Attention-based Convolutional
Long Short-Term Memory (ConvLSTM) Autoencoder with Dynamic Thresholding
(ACLAE-DT) framework for anomaly detection and diagnosis in multivariate time
series. The framework starts by pre-processing and enriching the data, before
constructing feature images to characterize the system statuses across
different time steps by capturing the inter-correlations between pairs of time
series. Afterwards, the constructed feature images are fed into an
attention-based ConvLSTM autoencoder, which aims to encode the constructed
feature images and capture the temporal behavior, followed by decoding the
compressed knowledge representation to reconstruct the feature images input.
The reconstruction errors are then computed and subjected to a
statistical-based, dynamic thresholding mechanism to detect and diagnose the
anomalies. Evaluation results conducted on real-life manufacturing data
demonstrate the performance strengths of the proposed approach over
state-of-the-art methods under different experimental settings.
- Abstract（参考訳）: スマートマニュファクチャリングの複雑なシステムによって大量の多変量時系列データが生成されているため、運用上のリスクとシステムオペレーターの監視負担を軽減するために、改良された異常検出フレームワークが必要である。
しかし、このようなフレームワークの構築は困難であり、十分な量の欠陥のあるトレーニングデータが入手できないことが多く、異なる時間ステップ間で時間的およびコンテキスト的依存関係をキャプチャし、ノイズに強いフレームワークが必要である。
本稿では,多変量時系列における異常検出と診断のための動的スレッショルド(ACLAE-DT)フレームワークを用いた非教師付き注意に基づく畳み込み長短期記憶(ConvLSTM)自動エンコーダを提案する。
このフレームワークは、データの前処理とエンリッチメントから始まり、時系列のペア間の相関をキャプチャして、さまざまな時間ステップにわたるシステムステータスを特徴付ける機能イメージを構築する。
その後、構築された特徴画像を注意に基づくConvLSTMオートエンコーダに入力し、構築された特徴画像を符号化し、時間的振る舞いを捉え、次いで圧縮された知識表現を復号して特徴画像入力を再構成する。
その後、再構成エラーを計算し、統計に基づく動的しきい値決定機構により異常を検出し診断する。
実生活生産データを用いた評価の結果, 実験環境の違いによる最先端手法の性能向上効果が示された。
関連論文リスト
- Training-Free Time-Series Anomaly Detection: Leveraging Image Foundation Models [0.0]
画像ベースでトレーニング不要な時系列異常検出(ITF-TAD)手法を提案する。
ITF-TADは、時系列データをウェーブレット変換を用いて画像に変換し、それらを単一の表現に圧縮し、画像基礎モデルを利用して異常検出を行う。
論文 参考訳（メタデータ） (2024-08-27T03:12:08Z) - 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) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳（メタデータ） (2022-09-23T06:09:35Z) - Denoising Architecture for Unsupervised Anomaly Detection in Time-Series [0.0]
このLSTM-Decoderモデルの補体として、Denoising Architectureを紹介します。
提案アーキテクチャは精度とトレーニング速度の両方を向上し,LSTMオートエンコーダを非教師付き異常検出タスクに対してより効率的にすることを示した。
論文 参考訳（メタデータ） (2022-08-30T15:23:45Z) - 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) - Recurrent Auto-Encoder With Multi-Resolution Ensemble and Predictive
Coding for Multivariate Time-Series Anomaly Detection [3.772827533440353]
実世界の時系列データは複雑な時間的依存関係を示す。
RAE-M EPCは多解像度アンサンブルと予測符号化に基づいて情報正規表現を学習する。
実世界のベンチマークデータセットの実験は、提案されたモデルがベンチマークモデルより優れていることを示している。
論文 参考訳（メタデータ） (2022-02-21T05:47:22Z) - 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) - HIFI: Anomaly Detection for Multivariate Time Series with High-order
Feature Interactions [7.016615391171876]
HIFIは自動的に多変量特徴相互作用グラフを構築し、グラフ畳み込みニューラルネットワークを使用して高次特徴相互作用を実現する。
3つの公開データセットの実験は、最先端のアプローチと比較して、我々のフレームワークの優位性を示している。
論文 参考訳（メタデータ） (2021-06-11T04:57:03Z) - Consistency of mechanistic causal discovery in continuous-time using
Neural ODEs [85.7910042199734]
ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。
本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-05-06T08:48:02Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z)
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。