論文の概要: Robust and Explainable Autoencoders for Unsupervised Time Series Outlier Detection---Extended Version

• arxiv url: http://arxiv.org/abs/2204.03341v1
• Date: Thu, 7 Apr 2022 10:24:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-08 16:01:25.199999
• Title: Robust and Explainable Autoencoders for Unsupervised Time Series Outlier Detection---Extended Version
• Title（参考訳）: 教師なし時系列出力検出のためのロバストかつ説明可能なオートエンコーダ--拡張版
• Authors: Tung Kieu, Bin Yang, Chenjuan Guo, Christian S. Jensen, Yan Zhao, Feiteng Huang, Kai Zheng
• Abstract要約: 時系列データは広く発生し、異常検出はデータマイニングの基本的な問題である。 既存のオートエンコーダベースのアプローチは、現実の挑戦的なデータに対して最先端のパフォーマンスを提供するが、外れ値に対して脆弱であり、説明可能性の低い。 本稿では,入力時系列をクリーンな時系列と外れ値時系列に分解する頑健で説明不能な自動エンコーダフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 27.191005130096684
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Time series data occurs widely, and outlier detection is a fundamental problem in data mining, which has numerous applications. Existing autoencoder-based approaches deliver state-of-the-art performance on challenging real-world data but are vulnerable to outliers and exhibit low explainability. To address these two limitations, we propose robust and explainable unsupervised autoencoder frameworks that decompose an input time series into a clean time series and an outlier time series using autoencoders. Improved explainability is achieved because clean time series are better explained with easy-to-understand patterns such as trends and periodicities. We provide insight into this by means of a post-hoc explainability analysis and empirical studies. In addition, since outliers are separated from clean time series iteratively, our approach offers improved robustness to outliers, which in turn improves accuracy. We evaluate our approach on five real-world datasets and report improvements over the state-of-the-art approaches in terms of robustness and explainability. This is an extended version of "Robust and Explainable Autoencoders for Unsupervised Time Series Outlier Detection", to appear in IEEE ICDE 2022.
• Abstract（参考訳）: 時系列データは広く発生し、異常検出はデータマイニングにおける根本的な問題であり、多くの応用がある。 既存のオートエンコーダベースのアプローチは、現実の挑戦的なデータに対して最先端のパフォーマンスを提供するが、外れ値に対して脆弱であり、説明可能性の低い。 この2つの制約に対処するために,入力時系列をクリーン時系列に分解するロバストで説明可能な非教師なしオートエンコーダフレームワークと,オートエンコーダを用いた異常時系列を提案する。 清潔な時系列は傾向や周期性といった理解しやすいパターンでより説明できるため、説明可能性の向上が達成される。 本研究は,ポストホックな説明可能性分析と実証的研究による考察である。 さらに,アウトレーヤは連続的にクリーンな時系列から分離されるため,アウトレーヤに対するロバスト性が向上し,精度が向上する。 5つの実世界のデータセットに対するアプローチを評価し、堅牢性と説明可能性の観点から最先端のアプローチの改善を報告します。 これはIEEE ICDE 2022に表示される"Robust and Explainable Autoencoders for Unsupervised Time Series Outlier Detection"の拡張版である。

関連論文リスト

• AVATAR: Adversarial Autoencoders with Autoregressive Refinement for Time Series Generation [0.9374652839580181]
  AVATARは,AAE(Adversarial Autoencoders)とAutoregressive Learningを組み合わせた時系列データを生成するフレームワークである。 具体的には、オートエンコーダをスーパーバイザと統合し、デコーダが時系列データの時間的ダイナミクスを学習するのを支援するために、新しい教師付き損失を導入する。
  論文  参考訳（メタデータ） (2025-01-03T05:44:13Z)
• Interpreting Outliers in Time Series Data through Decoding Autoencoder [2.156170153103442]
  本研究は、ドイツの自動車供給産業における時系列データの製造に焦点をあてる。 我々はオートエンコーダを用いて時系列全体を圧縮し,その潜在特徴に異常検出技術を適用する。
  論文  参考訳（メタデータ） (2024-09-03T08:52:21Z)
• 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)
• Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
  モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。 クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
  論文  参考訳（メタデータ） (2023-10-04T07:14:43Z)
• AnomalyBERT: Self-Supervised Transformer for Time Series Anomaly Detection using Data Degradation Scheme [0.7216399430290167]
  時系列、特にラベルなしデータに対する異常検出タスクは、難しい問題である。 自己教師型モデルトレーニングに適切なデータ劣化スキームを適用することで、この問題に対処する。 自己認識機構に触発されて、時間的文脈を認識するトランスフォーマーベースのアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2023-05-08T05:42:24Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Recurrent Auto-Encoder With Multi-Resolution Ensemble and Predictive Coding for Multivariate Time-Series Anomaly Detection [3.772827533440353]
  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。
  論文  参考訳（メタデータ） (2022-02-21T05:47:22Z)
• Towards Generating Real-World Time Series Data [52.51620668470388]
  時系列データ生成のための新しい生成フレームワーク - RTSGANを提案する。 RTSGANは、時系列インスタンスと固定次元潜在ベクトルの間のマッピングを提供するエンコーダデコーダモジュールを学習する。 不足した値の時系列を生成するために、RTSGANに観測埋め込み層と決定・生成デコーダを更に装備する。
  論文  参考訳（メタデータ） (2021-11-16T11:31:37Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• 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)
• 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。