論文の概要: Deep Federated Anomaly Detection for Multivariate Time Series Data
- arxiv url: http://arxiv.org/abs/2205.04041v1
- Date: Mon, 9 May 2022 05:06:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-10 23:26:53.547955
- Title: Deep Federated Anomaly Detection for Multivariate Time Series Data
- Title（参考訳）: 多変量時系列データの深部フェデレーション異常検出
- Authors: Wei Zhu, Dongjin Song, Yuncong Chen, Wei Cheng, Bo Zong, Takehiko
Mizoguchi, Cristian Lumezanu, Haifeng Chen, Jiebo Luo
- Abstract要約: 本稿では,Fed-ExDNN(Federated Exemplar-based Deep Neural Network)を用いて,異なるエッジデバイス上での多変量時系列データの異常検出を行う。
ExDNNとFed-ExDNNは、最先端の異常検出アルゴリズムやフェデレーション学習技術より優れていることを示す。
- 参考スコア（独自算出の注目度）: 93.08977495974978
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Despite the fact that many anomaly detection approaches have been developed
for multivariate time series data, limited effort has been made on federated
settings in which multivariate time series data are heterogeneously distributed
among different edge devices while data sharing is prohibited. In this paper,
we investigate the problem of federated unsupervised anomaly detection and
present a Federated Exemplar-based Deep Neural Network (Fed-ExDNN) to conduct
anomaly detection for multivariate time series data on different edge devices.
Specifically, we first design an Exemplar-based Deep Neural network (ExDNN) to
learn local time series representations based on their compatibility with an
exemplar module which consists of hidden parameters learned to capture
varieties of normal patterns on each edge device. Next, a constrained
clustering mechanism (FedCC) is employed on the centralized server to align and
aggregate the parameters of different local exemplar modules to obtain a
unified global exemplar module. Finally, the global exemplar module is deployed
together with a shared feature encoder to each edge device and anomaly
detection is conducted by examining the compatibility of testing data to the
exemplar module. Fed-ExDNN captures local normal time series patterns with
ExDNN and aggregates these patterns by FedCC, and thus can handle the
heterogeneous data distributed over different edge devices simultaneously.
Thoroughly empirical studies on six public datasets show that ExDNN and
Fed-ExDNN can outperform state-of-the-art anomaly detection algorithms and
federated learning techniques.
- Abstract（参考訳）: 多変量時系列データに対する多くの異常検出手法が開発されているにもかかわらず、データ共有が禁止されている間、多変量時系列データを異なるエッジデバイス間で均一に分散するフェデレーション設定に限定的な取り組みがなされている。
本稿では,フェデレーション付き非教師付き異常検出の問題について検討し,フェデレーション付きエクセプタベースディープニューラルネットワーク(Fed-ExDNN)を用いて,異なるエッジデバイス上での多変量時系列データの異常検出を行う。
具体的には,まず,エッジデバイス毎に異なるパターンをキャプチャするために学習した隠れパラメータからなるexemplarモジュールとの互換性に基づいて,局所時系列表現を学習するexemplar-based deep neural network(exdnn)を設計した。
次に、集中サーバ上に制約付きクラスタリング機構(FedCC)を用いて、異なるローカルな例のモジュールのパラメータをアライメントし集約し、統一されたグローバルな例のモジュールを得る。
最後に、グローバルな例題モジュールを各エッジデバイスに共有機能エンコーダと共に配置し、例題モジュールに対するテストデータの互換性を調べて異常検出を行う。
fed-exdnnは、exdnnでローカルな正規時系列パターンをキャプチャし、feedccでこれらのパターンを集約することで、異なるエッジデバイスに分散した異種データを同時に処理することができる。
ExDNNとFed-ExDNNは、最先端の異常検出アルゴリズムとフェデレートされた学習技術より優れていることを示す。
関連論文リスト
- PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z) - ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。
ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。
各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
論文 参考訳（メタデータ） (2024-05-27T02:42:33Z) - Towards a General Time Series Anomaly Detector with Adaptive Bottlenecks and Dual Adversarial Decoders [16.31103717602631]
時系列異常検出は幅広い応用において重要な役割を果たす。
既存のメソッドでは、データセットごとに1つの特定のモデルをトレーニングする必要があります。
本稿では,広範囲なマルチドメインデータセット上で事前学習した時系列異常検出モデルを提案する。
論文 参考訳（メタデータ） (2024-05-24T06:59:43Z) - ALGAN: Time Series Anomaly Detection with Adjusted-LSTM GAN [0.9065034043031667]
時系列データの異常検出は、製造、医療画像、サイバーセキュリティといった様々な領域で一般的な問題である。
近年,GAN(Generative Adversarial Networks)は時系列データの異常検出に有効であることが示されている。
本稿では,ALGAN(Adjusted-LSTM GAN)と呼ばれる新しいGANモデルを提案する。
論文 参考訳（メタデータ） (2023-08-13T02:17:19Z) - 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) - Detecting Multivariate Time Series Anomalies with Zero Known Label [17.930211011723447]
MTGFlowは多変量時系列異常検出のための教師なし異常検出手法である。
エンティティ間の複雑な相互依存性と各エンティティ固有の特性は、密度推定に重大な課題を生じさせる。
7つのベースラインを持つ5つの公開データセットの実験が行われ、MTGFlowはSOTA法を最大5.0AUROC%で上回っている。
論文 参考訳（メタデータ） (2022-08-03T14:38:19Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-30T06:00:13Z) - Federated Variational Learning for Anomaly Detection in Multivariate
Time Series [13.328883578980237]
本稿では,非教師付き時系列異常検出フレームワークを提案する。
我々は,畳み込みGated Recurrent Unit(ConvGRU)モデルに基づいて,共有変分オートエンコーダ(VAE)を学習するために,エッジに分散したトレーニングデータを残しておく。
3つの実世界のネットワークセンサーデータセットの実験は、他の最先端モデルに対する我々のアプローチの利点を示しています。
論文 参考訳（メタデータ） (2021-08-18T22:23:15Z) - Neural Contextual Anomaly Detection for Time Series [7.523820334642732]
本稿では,時系列における異常検出のためのフレームワークであるNeural Contextual Anomaly Detection (NCAD)を紹介する。
NCADは教師なし設定から教師なし設定までシームレスにスケールする。
我々は,提案手法が最先端の性能を得るための標準ベンチマークデータセットを実証的に実証した。
論文 参考訳（メタデータ） (2021-07-16T04:33:53Z) - 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)
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。