論文の概要: Stacked Residuals of Dynamic Layers for Time Series Anomaly Detection
- arxiv url: http://arxiv.org/abs/2202.12457v1
- Date: Fri, 25 Feb 2022 01:50:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-28 14:31:49.563617
- Title: Stacked Residuals of Dynamic Layers for Time Series Anomaly Detection
- Title(参考訳): 時系列異常検出のための動的層の積み重ね残余
- Authors: L. Zancato, A. Achille, G. Paolini, A. Chiuso, S. Soatto
- Abstract要約: 多変量時系列における異常検出を行うために,終端から終端までの微分可能なニューラルネットワークアーキテクチャを提案する。
このアーキテクチャは、信号の線形予測可能なコンポーネントを分離するために設計された動的システムのカスケードである。
異常検出器は、予測残差の時間的構造を利用して、孤立した点異常とセットポイントの変化の両方を検出する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present an end-to-end differentiable neural network architecture to
perform anomaly detection in multivariate time series by incorporating a
Sequential Probability Ratio Test on the prediction residual. The architecture
is a cascade of dynamical systems designed to separate linearly predictable
components of the signal such as trends and seasonality, from the non-linear
ones. The former are modeled by local Linear Dynamic Layers, and their residual
is fed to a generic Temporal Convolutional Network that also aggregates global
statistics from different time series as context for the local predictions of
each one. The last layer implements the anomaly detector, which exploits the
temporal structure of the prediction residuals to detect both isolated point
anomalies and set-point changes. It is based on a novel application of the
classic CUMSUM algorithm, adapted through the use of a variational
approximation of f-divergences. The model automatically adapts to the time
scales of the observed signals. It approximates a SARIMA model at the get-go,
and auto-tunes to the statistics of the signal and its covariates, without the
need for supervision, as more data is observed. The resulting system, which we
call STRIC, outperforms both state-of-the-art robust statistical methods and
deep neural network architectures on multiple anomaly detection benchmarks.
- Abstract(参考訳): 予測残差に逐次確率比テストを導入することにより,多変量時系列における異常検出を行う,エンドツーエンドの微分可能なニューラルネットワークアーキテクチャを提案する。
このアーキテクチャは、トレンドや季節といった信号の線形予測可能なコンポーネントを非線形のコンポーネントから分離するために設計された動的システムのカスケードである。
前者は局所線形動的層によってモデル化され、その残余は、各時系列のグローバル統計をそれぞれの局所的な予測のコンテキストとして集約する一般的な時間畳み込みネットワークに供給される。
最後の層は異常検出器を実装し、予測残差の時間構造を利用して孤立点異常とセットポイント変化の両方を検出する。
これは従来のCUMSUMアルゴリズムの新たな応用に基づいており、f-divergencesの変分近似を用いて適応されている。
モデルは観測された信号の時間スケールに自動的に適応する。
受信時にSARIMAモデルを近似し、より多くのデータが観測されるため、監視を必要とせず、信号とその共変量の統計を自動チューニングする。
STRICと呼ばれる結果のシステムは、複数の異常検出ベンチマーク上で、最先端の堅牢な統計手法とディープニューラルネットワークアーキテクチャの両方を上回ります。
関連論文リスト
- Spatial-temporal Memories Enhanced Graph Autoencoder for Anomaly Detection in Dynamic Graphs [52.956235109354175]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。
空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。
STRIPEは、動的グラフの異なる空間的・時間的ダイナミクスを効果的に活用することにより、異常を識別する優れた能力を示した。
論文 参考訳(メタデータ) (2024-03-14T02:26:10Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳(メタデータ) (2023-04-14T09:39:06Z) - Brain-Inspired Spiking Neural Network for Online Unsupervised Time
Series Prediction [13.521272923545409]
連続学習に基づく非教師付きリカレントスパイキングニューラルネットワークモデル(CLURSNN)を提案する。
CLURSNNは、ランダム遅延埋め込み(Random Delay Embedding)を使用して基盤となる動的システムを再構築することで、オンライン予測を行う。
提案手法は,進化するロレンツ63力学系を予測する際に,最先端のDNNモデルよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-04-10T16:18:37Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Robust Audio Anomaly Detection [10.75127981612396]
提案されたアプローチは、トレーニングデータセットにラベル付き異常が存在することを前提としません。
時間力学は、注意機構を付加した繰り返し層を用いてモデル化される。
ネットワークの出力は、外向きの頑健な確率密度関数である。
論文 参考訳(メタデータ) (2022-02-03T17:19:42Z) - 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) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳(メタデータ) (2020-10-08T20:25:52Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳(メタデータ) (2020-06-08T09:53:35Z) - LSTM-based Anomaly Detection for Non-linear Dynamical System [11.797156206007612]
本稿では,Long Short-Term Memory (LSTM)に基づく非線形力学系における新しい異常検出手法を提案する。
まず、データ前処理、多段階予測、異常検出を含む非線形力学系におけるLSTMに基づく異常検出の枠組みについて述べる。
提案手法は,壁面せん断応力データセットにおいて従来の手法よりも高い精度で予測できる。
論文 参考訳(メタデータ) (2020-06-05T01:09:36Z) - RobustTAD: Robust Time Series Anomaly Detection via Decomposition and
Convolutional Neural Networks [37.16594704493679]
本稿では,ロバスト時系列異常検出フレームワークRobustTADを提案する。
時系列データのために、堅牢な季節差分解と畳み込みニューラルネットワークを統合する。
パブリックオンラインサービスとしてデプロイされ、Alibaba Groupのさまざまなビジネスシナリオで広く採用されている。
論文 参考訳(メタデータ) (2020-02-21T20:43:45Z)
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。