論文の概要: Robust Anomaly Detection for Time-series Data

• arxiv url: http://arxiv.org/abs/2202.02721v1
• Date: Sun, 6 Feb 2022 07:09:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-09 11:21:48.089796
• Title: Robust Anomaly Detection for Time-series Data
• Title（参考訳）: 時系列データのロバスト異常検出
• Authors: Min Hu, Yi Wang, Xiaowei Feng, Shengchen Zhou, Zhaoyu Wu, Yuan Qin
• Abstract要約: この研究は、負の選択の強み、未保持の繰り返しプロット、および極端な学習機械オートエンコーダを組み合わせた。 時系列データ(RADTD)のロバストな異常検出を提案し、時系列で動的特徴を自動的に学習する。 実験により、RADTDは繰り返し資格解析や極端な学習機械オートエンコーダよりも精度と堅牢性が高いことが示された。
• 参考スコア（独自算出の注目度）: 8.206500786061406
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time-series anomaly detection plays a vital role in monitoring complex operation conditions. However, the detection accuracy of existing approaches is heavily influenced by pattern distribution, existence of multiple normal patterns, dynamical features representation, and parameter settings. For the purpose of improving the robustness and guaranteeing the accuracy, this research combined the strengths of negative selection, unthresholded recurrence plots, and an extreme learning machine autoencoder and then proposed robust anomaly detection for time-series data (RADTD), which can automatically learn dynamical features in time series and recognize anomalies with low label dependency and high robustness. Yahoo benchmark datasets and three tunneling engineering simulation experiments were used to evaluate the performance of RADTD. The experiments showed that in benchmark datasets RADTD possessed higher accuracy and robustness than recurrence qualification analysis and extreme learning machine autoencoder, respectively, and that RADTD accurately detected the occurrence of tunneling settlement accidents, indicating its remarkable performance in accuracy and robustness.
• Abstract（参考訳）: 時系列異常検出は複雑な動作状態を監視する上で重要な役割を果たす。 しかし,既存手法の検出精度は,パターン分布,複数の正規パターンの存在,動的特徴表現,パラメータ設定に大きく影響している。 本研究は、ロバスト性の向上と精度の確保を目的として、負の選択の強み、未保持の繰り返しプロット、および極端な学習機械オートエンコーダを組み合わせて、時系列データ(RADTD)のロバストな異常検出を提案し、時系列における動的特徴を自動的に学習し、ラベル依存性の低い異常を認識できるようにする。 Yahooベンチマークデータセットと3つのトンネル工学シミュレーション実験を用いてRADTDの性能を評価した。 実験の結果, RADTDのベンチマークデータセットは, 繰り返し精度解析と極端学習機械オートエンコーダよりも高い精度と堅牢性を有しており, RADTDはトンネル掘削事故の発生を正確に検出し, その精度と堅牢性において顕著な性能を示した。

関連論文リスト

• Steam Turbine Anomaly Detection: An Unsupervised Learning Approach Using Enhanced Long Short-Term Memory Variational Autoencoder [3.004788114489393]
  ラベルなしデータセットの精度の高い教師なし異常検出のためのELSTMVAE-DAF-GMM(ELSTMVAE-DAF-GMM)を提案する。 VAEとLSTMを統合したELSTMVAEは,低次元位相空間に高次元時系列データを投影するために用いられた。 新たなDAF(Deep Advanced Feature)は、LSTMVAEモデルから遅延埋め込みと再構成の相違をハイブリダイズし、より包括的なデータ表現を提供する。
  論文  参考訳（メタデータ） (2024-11-16T10:11:36Z)
• TeVAE: A Variational Autoencoder Approach for Discrete Online Anomaly Detection in Variable-state Multivariate Time-series Data [0.017476232824732776]
  本研究では,時間変動型オートエンコーダ(TeVAE)を提案する。 適切に設定された場合、TeVAEは異常を6%だけ間違ったタイミングでフラグし、65%の異常を検知する。
  論文  参考訳（メタデータ） (2024-07-09T13:32:33Z)
• DACR: Distribution-Augmented Contrastive Reconstruction for Time-Series Anomaly Detection [12.3866167448478]
  時系列データの異常検出は、さまざまなアプリケーションにわたる障害、障害、脅威、異常を識別するために不可欠である。 近年、このトピックにディープラーニング技術が適用されているが、現実のシナリオではしばしば苦労している。 本稿では,これらの課題に対処するため,DACR(Distributed-Augmented Contrastive Reconstruction)を提案する。
  論文  参考訳（メタデータ） (2024-01-20T16:56:52Z)
• 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)
• 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)
• ADT: Agent-based Dynamic Thresholding for Anomaly Detection [4.356615197661274]
  本稿では,エージェントベースの動的しきい値処理(ADT)フレームワークを提案する。 本研究では,自動エンコーダを用いて特徴表現を取得し,複雑な入力データに対する異常スコアを生成する。 ADTはオートエンコーダの異常スコアを利用して閾値を適応的に調整することができる。
  論文  参考訳（メタデータ） (2023-12-03T19:07:30Z)
• PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
  本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。 我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-01-25T16:34:43Z)
• 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)
• 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)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• 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。