論文の概要: TiSAT: Time Series Anomaly Transformer

• arxiv url: http://arxiv.org/abs/2203.05167v1
• Date: Thu, 10 Mar 2022 05:46:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-12 01:33:44.432319
• Title: TiSAT: Time Series Anomaly Transformer
• Title（参考訳）: TiSAT: 時系列異常トランス
• Authors: Keval Doshi, Shatha Abudalou and Yasin Yilmaz
• Abstract要約: 本稿では,この評価基準により,初歩的なランダム・ギーズ法が最先端の検出器より優れていることを示す。 本研究では,逐次異常検出の時系列と精度を計測する適切な評価指標を提案する。
• 参考スコア（独自算出の注目度）: 30.68108039722565
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While anomaly detection in time series has been an active area of research for several years, most recent approaches employ an inadequate evaluation criterion leading to an inflated F1 score. We show that a rudimentary Random Guess method can outperform state-of-the-art detectors in terms of this popular but faulty evaluation criterion. In this work, we propose a proper evaluation metric that measures the timeliness and precision of detecting sequential anomalies. Moreover, most existing approaches are unable to capture temporal features from long sequences. Self-attention based approaches, such as transformers, have been demonstrated to be particularly efficient in capturing long-range dependencies while being computationally efficient during training and inference. We also propose an efficient transformer approach for anomaly detection in time series and extensively evaluate our proposed approach on several popular benchmark datasets.
• Abstract（参考訳）: 時系列における異常検出はここ数年研究の活発な領域であるが、近年のアプローチでは不適切な評価基準が採用され、F1スコアが膨らんだ。 本稿では,この評価基準により,初歩的なランダム・ギーズ法が最先端の検出器より優れていることを示す。 本研究では,逐次異常検出の時系列と精度を計測する適切な評価指標を提案する。 さらに、既存のアプローチのほとんどは、長いシーケンスから時間的特徴をキャプチャできない。 トランスフォーマーなどの自己注意に基づくアプローチは、トレーニングや推論において計算効率を保ちながら、長距離依存性を捉えるのに特に効率的であることが示されている。 また,時系列異常検出のための効率的なトランスフォーマー手法を提案し,いくつかのベンチマークデータセットにおいて提案手法を広範囲に評価した。

関連論文リスト

• Towards Unbiased Evaluation of Time-series Anomaly Detector [6.521243384420707]
  時系列異常検出(TSAD)は、その重要な応用に動機付けられた研究の進化する領域である。 本研究では,平衡点調整(BA)と呼ばれる代替調整プロトコルを提案する。
  論文  参考訳（メタデータ） (2024-09-19T19:02:45Z)
• 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)
• Algorithmic Recourse for Anomaly Detection in Multivariate Time Series [19.74694026053318]
  本稿では、異常な時間ステップを反転させるリコースアクションを推奨できるRecADと呼ばれるアルゴリズム的リコースフレームワークを提案する。 2つの合成データセットと1つの実世界のデータセットの実験は、我々のフレームワークの有効性を示している。
  論文  参考訳（メタデータ） (2023-09-28T23:50:11Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Time-Series Anomaly Detection with Implicit Neural Representation [0.38073142980733]
  Inlicit Neural Representation-based Anomaly Detection (INRAD)を提案する。 入力に時間がかかり、その時点で対応する値を出力する単純な多層パーセプトロンを訓練する。 そして,その表現誤りを異常検出のための異常スコアとして利用する。
  論文  参考訳（メタデータ） (2022-01-28T06:17:24Z)
• An Evaluation of Anomaly Detection and Diagnosis in Multivariate Time Series [7.675917669905486]
  本稿では,異常検出・診断のための教師なし・半教師付き深層学習手法の体系的・包括的評価について述べる。 我々は、10のモデルと4のスコアリング関数のグリッドを通して、モデルエラーのモデルと後処理を変え、これらの変種を最先端の手法と比較する。 既存の評価指標は、事象を考慮に入れていないか、良い検知器と自明な検出器を区別できないかのどちらかである。
  論文  参考訳（メタデータ） (2021-09-23T15:14:24Z)
• Optimal Sequential Detection of Signals with Unknown Appearance and Disappearance Points in Time [64.26593350748401]
  本論文は、変化の期間が有限で未知であると仮定して、逐次的な変化点検出問題に対処する。 我々は、所定の時間(または空間)ウィンドウにおける最小検出確率を最大化する信頼性の高い最大変更検出基準に焦点を当てる。 FMAアルゴリズムは、光学画像中の衛星のかすかなストリークを検出するために応用される。
  論文  参考訳（メタデータ） (2021-02-02T04:58:57Z)
• 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)
• Change Point Detection in Time Series Data using Autoencoders with a Time-Invariant Representation [69.34035527763916]
  変化点検出(CPD)は、時系列データにおける急激な特性変化を見つけることを目的としている。 近年のCDD法は、深層学習技術を用いる可能性を示したが、信号の自己相関統計学におけるより微妙な変化を識別する能力に欠けることが多い。 我々は、新しい損失関数を持つオートエンコーダに基づく手法を用い、使用済みオートエンコーダは、CDDに適した部分的な時間不変表現を学習する。
  論文  参考訳（メタデータ） (2020-08-21T15:03:21Z)
• Time-varying Gaussian Process Bandit Optimization with Non-constant Evaluation Time [93.6788993843846]
  非定常評価時間を効果的に処理できる新しい時間変化ベイズ最適化アルゴリズムを提案する。 我々の限界は、評価時間列のパターンが問題の難易度に大きな影響を与えることを決定づける。
  論文  参考訳（メタデータ） (2020-03-10T13:28:33Z)
• 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。