論文の概要: Two-Stage Deep Anomaly Detection with Heterogeneous Time Series Data
- arxiv url: http://arxiv.org/abs/2202.05093v1
- Date: Thu, 10 Feb 2022 15:32:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-11 22:04:24.321154
- Title: Two-Stage Deep Anomaly Detection with Heterogeneous Time Series Data
- Title（参考訳）: 不均一時系列データによる2段階深部異常検出
- Authors: Kyeong-Joong Jeong, Jin-Duk Park, Kyusoon Hwang, Seong-Lyun Kim,
Won-Yong Shin
- Abstract要約: 本稿では,工場組立ラインから収集した製造データセットを用いたデータ駆動型異常検出フレームワークを提案する。
ステージIでは,動作周期信号で訓練されたモデルを用いて異常候補を選択し,ステージIIでは候補の中から異常事象を検出する。
我々のフレームワークの特長は、動作サイクル信号がまず異常点を見つけるために利用されるのに対し、センサ信号は異常点を除去するために活用される点である。
- 参考スコア（独自算出の注目度）: 3.43862266155801
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce a data-driven anomaly detection framework using a manufacturing
dataset collected from a factory assembly line. Given heterogeneous time series
data consisting of operation cycle signals and sensor signals, we aim at
discovering abnormal events. Motivated by our empirical findings that
conventional single-stage benchmark approaches may not exhibit satisfactory
performance under our challenging circumstances, we propose a two-stage deep
anomaly detection (TDAD) framework in which two different unsupervised learning
models are adopted depending on types of signals. In Stage I, we select anomaly
candidates by using a model trained by operation cycle signals; in Stage II, we
finally detect abnormal events out of the candidates by using another model,
which is suitable for taking advantage of temporal continuity, trained by
sensor signals. A distinguishable feature of our framework is that operation
cycle signals are exploited first to find likely anomalous points, whereas
sensor signals are leveraged to filter out unlikely anomalous points afterward.
Our experiments comprehensively demonstrate the superiority over single-stage
benchmark approaches, the model-agnostic property, and the robustness to
difficult situations.
- Abstract（参考訳）: 本稿では,工場組立ラインから収集した製造データセットを用いたデータ駆動異常検出フレームワークを提案する。
動作周期信号とセンサ信号からなる不均質な時系列データから,異常事象の発見を目指す。
従来の単段ベンチマーク手法では十分な性能を発揮できないという経験的知見に動機づけられ,信号の種類に応じて2つの異なる教師なし学習モデルを採用するtdad(deep anomaly detection)フレームワークを提案する。
ステージIでは,動作周期信号で訓練されたモデルを用いて異常候補を選択するが,ステージIIでは,センサ信号で訓練された時間的連続性を活かした別のモデルを用いて候補から異常事象を検出する。
我々のフレームワークの特長は、動作サイクル信号がまず異常点を見つけるために利用されるのに対し、センサ信号は異常点を除去するために活用される点である。
実験では,単段ベンチマーク法,モデル非依存性,困難な状況に対するロバスト性について総合的に検証した。
関連論文リスト
- Towards a General Time Series Anomaly Detector with Adaptive Bottlenecks and Dual Adversarial Decoders [16.31103717602631]
時系列異常検出は幅広い応用において重要な役割を果たす。
既存のメソッドでは、データセットごとに1つの特定のモデルをトレーニングする必要があります。
本稿では,広範囲なマルチドメインデータセット上で事前学習した時系列異常検出モデルを提案する。
論文 参考訳（メタデータ） (2024-05-24T06:59:43Z) - 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) - Time series anomaly detection with reconstruction-based state-space
models [10.085100442558828]
本稿では,時系列データに対する新しい教師なし異常検出手法を提案する。
長い短期記憶(LSTM)ベースのエンコーダデコーダを用いて観測空間と潜時空間のマッピングを行う。
潜在空間の正規化は、通常のサンプルの状態に制約を課し、マハラノビス距離を用いて異常レベルを評価する。
論文 参考訳（メタデータ） (2023-03-06T17:52:35Z) - DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and
Temporal Relatedness [78.98998551326812]
従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。
我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。
本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
論文 参考訳（メタデータ） (2022-09-26T21:59:14Z) - Unsupervised Deep Anomaly Detection for Multi-Sensor Time-Series Signals [10.866594993485226]
本稿では,Deep Convolutional Autoencoding Memory Network (CAE-M) という,ディープラーニングに基づく新しい異常検出アルゴリズムを提案する。
我々はまず,最大平均離散値(MMD)を用いたマルチセンサデータの空間依存性を特徴付けるディープ畳み込みオートエンコーダを構築する。
そして,線形(自己回帰モデル)と非線形予測(注意を伴う大規模LSTM)からなるメモリネットワークを構築し,時系列データから時間依存性を捉える。
論文 参考訳（メタデータ） (2021-07-27T06:48:20Z) - Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel
EEG Signal [63.18666008322476]
睡眠障害は、世界中の主要な病気の1つです。
専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。
専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
論文 参考訳（メタデータ） (2021-03-30T09:59:56Z) - Dual-encoder Bidirectional Generative Adversarial Networks for Anomaly
Detection [0.0]
我々は、ジェネレータと識別器ネットワークを同時に訓練した双方向GANアーキテクチャのデュアルエンコーダを開発する。
提案手法が正常試料の分布を捉えるのに有効であることを示し,ganモデルにおける異常検出を改善した。
論文 参考訳（メタデータ） (2020-12-22T05:05:33Z) - ESAD: End-to-end Deep Semi-supervised Anomaly Detection [85.81138474858197]
正規データと異常データの間のKL偏差を計測する新たな目的関数を提案する。
提案手法は,複数のベンチマークデータセットの最先端性能を著しく上回っている。
論文 参考訳（メタデータ） (2020-12-09T08:16:35Z) - 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) - A Background-Agnostic Framework with Adversarial Training for Abnormal
Event Detection in Video [120.18562044084678]
近年,ビデオにおける異常事象検出は複雑なコンピュータビジョンの問題として注目されている。
通常のイベントのみを含むトレーニングビデオから学習するバックグラウンドに依存しないフレームワークを提案する。
論文 参考訳（メタデータ） (2020-08-27T18:39:24Z) - Sequential Adversarial Anomaly Detection for One-Class Event Data [18.577418448786634]
本稿では,異常なシーケンスのみを利用できる場合の1クラス設定における逐次異常検出問題について考察する。
生成器から最悪のケース列に対して最適な検出器を見つけるために,ミニマックス問題を解くことで,逆数列検出器を提案する。
論文 参考訳（メタデータ） (2019-10-21T06:12:47Z)
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。