論文の概要: Do Deep Neural Networks Contribute to Multivariate Time Series Anomaly Detection?

• arxiv url: http://arxiv.org/abs/2204.01637v1
• Date: Mon, 4 Apr 2022 16:32:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-05 16:03:19.882392
• Title: Do Deep Neural Networks Contribute to Multivariate Time Series Anomaly Detection?
• Title（参考訳）: 深部ニューラルネットワークは多変量時系列異常検出に寄与するか?
• Authors: Julien Audibert and Pietro Michiardi and Fr\'ed\'eric Guyard and S\'ebastien Marti and Maria A. Zuluaga
• Abstract要約: 従来の機械学習とディープニューラルネットワークを用いた16種類の異常検出性能について検討した。 16の手法のそれぞれの性能を解析・比較することにより,他の手法よりも優れた手法群が存在しないことを示す。
• 参考スコア（独自算出の注目度）: 12.419938668514042
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection in time series is a complex task that has been widely studied. In recent years, the ability of unsupervised anomaly detection algorithms has received much attention. This trend has led researchers to compare only learning-based methods in their articles, abandoning some more conventional approaches. As a result, the community in this field has been encouraged to propose increasingly complex learning-based models mainly based on deep neural networks. To our knowledge, there are no comparative studies between conventional, machine learning-based and, deep neural network methods for the detection of anomalies in multivariate time series. In this work, we study the anomaly detection performance of sixteen conventional, machine learning-based and, deep neural network approaches on five real-world open datasets. By analyzing and comparing the performance of each of the sixteen methods, we show that no family of methods outperforms the others. Therefore, we encourage the community to reincorporate the three categories of methods in the anomaly detection in multivariate time series benchmarks.
• Abstract（参考訳）: 時系列における異常検出は、広く研究されている複雑なタスクである。 近年,教師なし異常検出アルゴリズムが注目されている。 この傾向により、研究者は論文の中で学習に基づく方法のみを比較し、より伝統的なアプローチを放棄した。 その結果、この分野のコミュニティは、深層ニューラルネットワークを中心に、より複雑な学習ベースのモデルを提案するよう奨励されている。 我々の知識では、多変量時系列における異常検出のための従来の機械学習法とディープニューラルネットワーク法の比較研究は行われていない。 本研究では,5つの実世界のオープンデータセットにおける16種類の従来型機械学習およびディープニューラルネットワークの異常検出性能について検討する。 16の手法のそれぞれの性能を分析し比較することにより,他の手法よりも優れた手法群が存在しないことを示す。 そこで我々は,多変量時系列ベンチマークにおける異常検出手法の3つのカテゴリをコミュニティに再編成することを推奨する。

関連論文リスト

• Impact of Recurrent Neural Networks and Deep Learning Frameworks on Real-time Lightweight Time Series Anomaly Detection [0.0]
  様々なディープラーニングフレームワークで利用可能な異なるタイプのRNNが、これらの異常検出手法の性能にどのように影響するかは不明だ。 我々は、いくつかの最先端手法をレビューし、よく知られたRNN変種を用いた代表的異常検出手法を実装した。 次に、実世界のオープンソース時系列データセットにまたがる各実装のパフォーマンスを分析するために、包括的な評価を行う。
  論文  参考訳（メタデータ） (2024-07-26T00:38:51Z)
• Can Tree Based Approaches Surpass Deep Learning in Anomaly Detection? A Benchmarking Study [0.6291443816903801]
  本稿では,機械学習に基づく異常検出アルゴリズムの多種多様さを評価する。 本論文は, 種々の異常検出アルゴリズムの非バイアス比較を行うことにより, 顕著に寄与する。
  論文  参考訳（メタデータ） (2024-02-11T19:12:51Z)
• Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
  時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。 時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。 本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
  論文  参考訳（メタデータ） (2022-11-09T22:40:22Z)
• GCN-based Multi-task Representation Learning for Anomaly Detection in Attributed Networks [31.565081319419225]
  近年、金融、ネットワークセキュリティ、医療など幅広い分野に応用されているため、属性付きネットワークにおける異常検出が注目されている。 従来のアプローチは、異常検出の問題を解決するために、属性付きネットワークの設定には適用できない。 マルチタスク学習を用いた異常検出の新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-07-08T04:54:53Z)
• Multivariate Anomaly Detection based on Prediction Intervals Constructed using Deep Learning [0.0]
  提案手法は,よく確立された統計モデルに対するものである。 我々は3つのディープラーニングアーキテクチャ、すなわちカスケードニューラルネットワーク、貯水池コンピューティング、長期記憶のリカレントニューラルネットワークに焦点を当てている。
  論文  参考訳（メタデータ） (2021-10-07T12:34:31Z)
• A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
  コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。 この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。 ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
  論文  参考訳（メタデータ） (2021-05-26T14:37:07Z)
• 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)
• 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)
• Vulnerability Under Adversarial Machine Learning: Bias or Variance? [77.30759061082085]
  本研究では,機械学習が訓練された深層ニューラルネットワークのバイアスと分散に与える影響について検討する。 我々の分析は、ディープニューラルネットワークが対向的摂動下で性能が劣っている理由に光を当てている。 本稿では,計算処理の複雑さをよく知られた機械学習手法よりも低く抑えた,新しい逆機械学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-01T00:58:54Z)
• Deep Learning for Community Detection: Progress, Challenges and Opportunities [79.26787486888549]
  この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。 この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。
  論文  参考訳（メタデータ） (2020-05-17T11:22:11Z)
• Anomaly Detection in Univariate Time-series: A Survey on the State-of-the-Art [0.0]
  時系列データの異常検出は、長い間重要な研究分野であった。 近年,時系列の異常を検出する機械学習アルゴリズムが増えている。 研究者たちは、(ディープ)ニューラルネットワークを使ってこれらの技術を改善しようとした。
  論文  参考訳（メタデータ） (2020-04-01T13:22:34Z)

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。