論文の概要: Recurrent Auto-Encoder With Multi-Resolution Ensemble and Predictive
Coding for Multivariate Time-Series Anomaly Detection
- arxiv url: http://arxiv.org/abs/2202.10001v1
- Date: Mon, 21 Feb 2022 05:47:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-22 15:49:14.734564
- Title: Recurrent Auto-Encoder With Multi-Resolution Ensemble and Predictive
Coding for Multivariate Time-Series Anomaly Detection
- Title（参考訳）: 多値時系列異常検出のためのマルチレゾリューションアンサンブルと予測符号化を用いたリカレントオートエンコーダ
- Authors: Heejeong Choi, Subin Kim, Pilsung Kang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.772827533440353
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As large-scale time-series data can easily be found in real-world
applications, multivariate time-series anomaly detection has played an
essential role in diverse industries. It enables productivity improvement and
maintenance cost reduction by preventing malfunctions and detecting anomalies
based on time-series data. However, multivariate time-series anomaly detection
is challenging because real-world time-series data exhibit complex temporal
dependencies. For this task, it is crucial to learn a rich representation that
effectively contains the nonlinear temporal dynamics of normal behavior. In
this study, we propose an unsupervised multivariate time-series anomaly
detection model named RAE-MEPC which learns informative normal representations
based on multi-resolution ensemble and predictive coding. We introduce
multi-resolution ensemble encoding to capture the multi-scale dependency from
the input time series. The encoder hierarchically aggregates the temporal
features extracted from the sub-encoders with different encoding lengths. From
these encoded features, the reconstruction decoder reconstructs the input time
series based on multi-resolution ensemble decoding where lower-resolution
information helps to decode sub-decoders with higher-resolution outputs.
Predictive coding is further introduced to encourage the model to learn the
temporal dependencies of the time series. Experiments on real-world benchmark
datasets show that the proposed model outperforms the benchmark models for
multivariate time-series anomaly detection.
- Abstract（参考訳）: 大規模時系列データは実世界のアプリケーションで容易に発見できるため、多変量時系列異常検出は多様な産業において重要な役割を担ってきた。
時系列データに基づいて誤動作を防止し異常を検出することにより、生産性の向上とメンテナンスコストの削減を可能にする。
しかし,実世界の時系列データが複雑な時間依存性を示すため,多変量時系列異常検出は困難である。
このタスクでは、正規行動の非線形時間ダイナミクスを効果的に含む豊かな表現を学ぶことが重要である。
本研究では,マルチレゾリューション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RAE-MEPCという,教師なし多変量時系列異常検出モデルを提案する。
入力時系列からのマルチスケール依存関係をキャプチャするために,マルチレゾリューションアンサンブル符号化を導入する。
エンコーダは、異なるエンコーダの長さのサブエンコーダから抽出された時間的特徴を階層的に集約する。
これらの符号化された特徴から、再構成デコーダは、低分解能の情報が高分解能出力でサブデコーダをデコードするのに役立つマルチレゾリューションアンサンブルデコーダに基づいて、入力時系列を再構成する。
さらに予測符号化を導入し、時系列の時間的依存関係を学習するようモデルに促す。
実世界のベンチマークデータセットの実験により、提案モデルは多変量時系列異常検出のためのベンチマークモデルより優れていることが示された。
関連論文リスト
- Rough Transformers for Continuous and Efficient Time-Series Modelling [46.58170057001437]
実世界の医療環境における時系列データは、典型的には長距離依存を示し、一様でない間隔で観察される。
本稿では,入力シーケンスの連続時間表現で動作するトランスフォーマーモデルのバリエーションであるRough Transformerを紹介する。
Rough Transformersは、Neural ODEベースのモデルの利点を得ながら、バニラアテンションを一貫して上回ります。
論文 参考訳（メタデータ） (2024-03-15T13:29:45Z) - 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) - 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) - 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) - 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) - TFAD: A Decomposition Time Series Anomaly Detection Architecture with
Time-Frequency Analysis [12.867257563413972]
時系列異常検出は、複雑な時間的依存と限られたラベルデータのために難しい問題である。
本稿では,時間領域と周波数領域の両方を利用した時間周波数解析に基づく時系列異常検出モデル(TFAD)を提案する。
論文 参考訳（メタデータ） (2022-10-18T09:08:57Z) - Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。
我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。
本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2022-05-16T07:53:42Z) - An Attention-based ConvLSTM Autoencoder with Dynamic Thresholding for
Unsupervised Anomaly Detection in Multivariate Time Series [2.9685635948299995]
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。
論文 参考訳（メタデータ） (2022-01-23T04:01:43Z) - PIETS: Parallelised Irregularity Encoders for Forecasting with
Heterogeneous Time-Series [5.911865723926626]
マルチソースデータセットの不均一性と不規則性は時系列解析において重要な課題となる。
本研究では、異種時系列をモデル化するための新しいアーキテクチャ、PIETSを設計する。
PIETSは異種時間データを効果的にモデル化し、予測タスクにおける他の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-09-30T20:01:19Z) - 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)
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。