論文の概要: Contrastive predictive coding for Anomaly Detection in Multi-variate
Time Series Data
- arxiv url: http://arxiv.org/abs/2202.03639v1
- Date: Tue, 8 Feb 2022 04:25:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-10 02:43:26.940607
- Title: Contrastive predictive coding for Anomaly Detection in Multi-variate
Time Series Data
- Title（参考訳）: 多変量時系列データにおける異常検出のためのコントラスト予測符号化
- Authors: Theivendiram Pranavan, Terence Sim, Arulmurugan Ambikapathi, Savitha
Ramasamy
- Abstract要約: 本稿では,MVTSデータにおける異常検出に向けて,TRL-CPC(Contrastive Predictive Coding)を用いた時系列表現学習を提案する。
まず,エンコーダ,自動回帰器,非線形変換関数を共同で最適化し,MVTSデータセットの表現を効果的に学習する。
- 参考スコア（独自算出の注目度）: 6.463941665276371
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Anomaly detection in multi-variate time series (MVTS) data is a huge
challenge as it requires simultaneous representation of long term temporal
dependencies and correlations across multiple variables. More often, this is
solved by breaking the complexity through modeling one dependency at a time. In
this paper, we propose a Time-series Representational Learning through
Contrastive Predictive Coding (TRL-CPC) towards anomaly detection in MVTS data.
First, we jointly optimize an encoder, an auto-regressor and a non-linear
transformation function to effectively learn the representations of the MVTS
data sets, for predicting future trends. It must be noted that the context
vectors are representative of the observation window in the MTVS. Next, the
latent representations for the succeeding instants obtained through non-linear
transformations of these context vectors, are contrasted with the latent
representations of the encoder for the multi-variables such that the density
for the positive pair is maximized. Thus, the TRL-CPC helps to model the
temporal dependencies and the correlations of the parameters for a healthy
signal pattern. Finally, fitting the latent representations are fit into a
Gaussian scoring function to detect anomalies. Evaluation of the proposed
TRL-CPC on three MVTS data sets against SOTA anomaly detection methods shows
the superiority of TRL-CPC.
- Abstract（参考訳）: 多変量時系列(MVTS)データの異常検出は、長期的時間的依存関係と複数の変数間の相関の同時表現を必要とするため、大きな課題である。
より頻繁に、一つの依存関係を一度にモデリングすることで複雑さを壊すことでこの問題を解決します。
本稿では,MVTSデータにおける異常検出に向けて,Contrastive Predictive Coding (TRL-CPC) を用いた時系列表現学習を提案する。
まず,エンコーダ,自動回帰器,非線形変換関数を共同で最適化し,MVTSデータセットの表現を効果的に学習し,今後のトレンドを予測する。
コンテキストベクトルは、mtvの観測ウィンドウの代表的なものであることに注意する必要がある。
次に、これらの文脈ベクトルの非線形変換によって得られる後続の瞬間に対する潜時表現は、正の対の密度が最大になるような多変数に対するエンコーダの潜時表現と対比される。
したがって、TRL-CPCは、健全な信号パターンに対するパラメータの時間的依存関係と相関をモデル化するのに役立つ。
最後に、潜在表現をガウススコアリング関数に適合させて異常を検出する。
SOTA異常検出法に対する3つのMVTSデータセットに対するTRL-CPCの評価は,TRL-CPCの優位性を示している。
関連論文リスト
- Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。
本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。
我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文 参考訳（メタデータ） (2024-07-19T13:33:38Z) - 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) - EdgeConvFormer: Dynamic Graph CNN and Transformer based Anomaly
Detection in Multivariate Time Series [7.514010315664322]
本研究では,階層化されたTime2vec埋め込み,動的グラフCNN,Transformerを統合し,グローバルかつ局所的な空間時間情報を抽出する新たな異常検出手法EdgeConvFormerを提案する。
実験により、EdgeConvFormerは、多変量時系列データから時空間モデリングを学習し、異なるスケールの多くの実世界のデータセットに対する最先端のアプローチよりも優れた異常検出性能を得ることができることが示された。
論文 参考訳（メタデータ） (2023-12-04T08:38:54Z) - 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) - Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。
階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
論文 参考訳（メタデータ） (2023-05-11T10:30:35Z) - AnomalyBERT: Self-Supervised Transformer for Time Series Anomaly
Detection using Data Degradation Scheme [0.7216399430290167]
時系列、特にラベルなしデータに対する異常検出タスクは、難しい問題である。
自己教師型モデルトレーニングに適切なデータ劣化スキームを適用することで、この問題に対処する。
自己認識機構に触発されて、時間的文脈を認識するトランスフォーマーベースのアーキテクチャを設計する。
論文 参考訳（メタデータ） (2023-05-08T05:42:24Z) - FormerTime: Hierarchical Multi-Scale Representations for Multivariate
Time Series Classification [53.55504611255664]
formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。
1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
論文 参考訳（メタデータ） (2023-02-20T07:46:14Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳（メタデータ） (2023-01-05T13:59:29Z) - An Unsupervised Short- and Long-Term Mask Representation for
Multivariate Time Series Anomaly Detection [2.387411589813086]
本稿では,教師なし短時間・長期マスク表現学習(SLMR)に基づく異常検出手法を提案する。
実験により,本手法の性能は,実世界の3つのデータセットにおいて,他の最先端モデルよりも優れていることが示された。
論文 参考訳（メタデータ） (2022-08-19T09:34:11Z) - 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) - Self-supervised Transformer for Multivariate Clinical Time-Series with
Missing Values [7.9405251142099464]
本稿ではSTraTS(Self-supervised Transformer for TimeSeries)モデルを提案する。
伝統的な密度行列表現を使う代わりに、時系列を観測三重項の集合として扱う。
これは、特にラベル付きデータが制限された場合、死亡予測の最先端手法よりも優れた予測性能を示す。
論文 参考訳（メタデータ） (2021-07-29T19:39:39Z)
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。