論文の概要: LPC-AD: Fast and Accurate Multivariate Time Series Anomaly Detection via Latent Predictive Coding

• arxiv url: http://arxiv.org/abs/2205.08362v1
• Date: Thu, 5 May 2022 14:28:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-22 18:06:06.837597
• Title: LPC-AD: Fast and Accurate Multivariate Time Series Anomaly Detection via Latent Predictive Coding
• Title（参考訳）: LPC-AD:潜時予測符号化による高速かつ高精度多変量時系列異常検出
• Authors: Zhi Qi, Hong Xie, Ye Li, Jian Tan, FeiFei Li, John C.S. Lui
• Abstract要約: LPC-ADは高速かつ正確なMSS異常検出法である。 最先端(SOTA)深層学習法と比較して、トレーニング時間を最大38.2%短縮する。 SOTAの高度な深層学習法と比較して、検出精度を最大18.9%向上させる。
• 参考スコア（独自算出の注目度）: 41.68716435555471
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes LPC-AD, a fast and accurate multivariate time series (MTS) anomaly detection method. LPC-AD is motivated by the ever-increasing needs for fast and accurate MTS anomaly detection methods to support fast troubleshooting in cloud computing, micro-service systems, etc. LPC-AD is fast in the sense that its reduces the training time by as high as 38.2% compared to the state-of-the-art (SOTA) deep learning methods that focus on training speed. LPC-AD is accurate in the sense that it improves the detection accuracy by as high as 18.9% compared to SOTA sophisticated deep learning methods that focus on enhancing detection accuracy. Methodologically, LPC-AD contributes a generic architecture LPC-Reconstruct for one to attain different trade-offs between training speed and detection accuracy. More specifically, LPC-Reconstruct is built on ideas from autoencoder for reducing redundancy in time series, latent predictive coding for capturing temporal dependence in MTS, and randomized perturbation for avoiding overfitting of anomalous dependence in the training data. We present simple instantiations of LPC-Reconstruct to attain fast training speed, where we propose a simple randomized perturbation method. The superior performance of LPC-AD over SOTA methods is validated by extensive experiments on four large real-world datasets. Experiment results also show the necessity and benefit of each component of the LPC-Reconstruct architecture and that LPC-AD is robust to hyper parameters.
• Abstract（参考訳）: 本稿では,高速かつ高精度な多変量時系列(MTS)異常検出法であるLPC-ADを提案する。 LPC-ADは、クラウドコンピューティングやマイクロサービスシステムなどにおける高速なトラブルシューティングをサポートするために、高速で正確なMSS異常検出方法に対する、ますます増加するニーズによって動機付けられています。 LPC-ADは、トレーニング速度に焦点を当てた最先端(SOTA)ディープラーニング手法と比較して、トレーニング時間を最大38.2%短縮するという意味で高速である。 lpc-adは、検出精度の向上に重点を置いたsomaの高度なディープラーニング手法と比較して、検出精度を最大18.9%向上させるという意味で正確である。 方法論的には、LPC-ADは、トレーニング速度と検出精度の異なるトレードオフを達成するために、汎用アーキテクチャのLPC-Reconstructに寄与する。 より具体的には、LPC-Reconstructは、時系列における冗長性を低減するためのオートエンコーダ、MSSにおける時間的依存をキャプチャするための遅延予測符号化、トレーニングデータにおける異常依存の過度な適合を避けるためのランダム化摂動に基づく。 高速トレーニングを実現するため,LPC-Reconstruct の簡易インスタンス化を行い,簡単なランダム化摂動法を提案する。 sota法に対するlpc-adの優れた性能は、4つの大規模実世界のデータセットに対する広範囲な実験によって検証される。 実験結果は,LPC-Reconstructアーキテクチャの各コンポーネントの必要性とメリットを示し,LPC-ADはハイパーパラメータに対して堅牢であることを示した。

関連論文リスト

• Truncating Trajectories in Monte Carlo Policy Evaluation: an Adaptive Approach [51.76826149868971]
  モンテカルロシミュレーションによる政策評価は多くのMC強化学習(RL)アルゴリズムの中核にある。 本研究では,異なる長さの軌跡を用いた回帰推定器の平均二乗誤差のサロゲートとして品質指標を提案する。 本稿では,Robust and Iterative Data Collection Strategy Optimization (RIDO) という適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-17T11:47:56Z)
• YOLO-pdd: A Novel Multi-scale PCB Defect Detection Method Using Deep Representations with Sequential Images [7.368447690189973]
  本稿では,CNNに基づくPCB欠陥検出のための高精度で堅牢でリアルタイムなエンドツーエンド手法を提案する。 本稿では, YOLOv5とマルチスケールモジュールを組み合わせた階層的残差接続手法を提案する。 大規模PCBデータセットの実験では、既存の手法と比較して精度、リコール、F1スコアが大幅に改善された。
  論文  参考訳（メタデータ） (2024-07-22T07:08:22Z)
• Train a Real-world Local Path Planner in One Hour via Partially Decoupled Reinforcement Learning and Vectorized Diversity [8.068886870457561]
  深層強化学習(DRL)は局所経路計画(LPP)問題の解決に有効である。 実世界におけるそのような応用は、DRLの訓練効率と一般化能力の不足により、非常に制限されている。 アクター・シャーラーラーナー(ASL)トレーニングフレームワークと移動ロボット指向シミュレータSparrowで構成されたColorというソリューションが提案されている。
  論文  参考訳（メタデータ） (2023-05-07T03:39:31Z)
• Accelerating Wireless Federated Learning via Nesterov's Momentum and Distributed Principle Component Analysis [59.127630388320036]
  サーバと作業員が無線チャネルを介して未コーディング情報を交換できるようにすることにより、無線連合学習システムについて検討する。 ワーカは、帯域幅に制限のあるチャネルを介して、しばしばサーバにローカルにアップロードするため、ワーカからサーバへのアップリンク送信は、通信ボトルネックとなる。 ワンショット分散原理成分分析(PCA)を利用して通信ボトルネックの次元を縮小する。
  論文  参考訳（メタデータ） (2023-03-31T08:41:42Z)
• Model Predictive Control via On-Policy Imitation Learning [28.96122879515294]
  我々は,データ駆動型モデル予測制御のための新しいサンプル複雑性結果と性能保証を開発する。 我々のアルゴリズムは制約付き線形MPCの構造を用いており、解析は明示的なMPC解の特性を用いて、最適性能を達成するのに必要なオンラインMPCトラジェクトリの数を理論的に制限する。
  論文  参考訳（メタデータ） (2022-10-17T16:06:06Z)
• Learned Robust PCA: A Scalable Deep Unfolding Approach for High-Dimensional Outlier Detection [23.687598836093333]
  ロバストな主成分分析は機械学習において重要なツールであり、低ランク再構成タスクにおける外れ値を検出する。 本稿では,LRPCAと呼ばれる高次元RPCA問題に対するスケーラブルで学習可能なアプローチを提案する。 LRPCAは、ニューラルネットワークAltProjのような最先端のRPCAアルゴリズムよりも、両方のデータセットの実際のアプリケーションで優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-11T23:37:55Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Detection of Dataset Shifts in Learning-Enabled Cyber-Physical Systems using Variational Autoencoder for Regression [1.5039745292757671]
  回帰問題に対してデータセットシフトを効果的に検出する手法を提案する。 提案手法は帰納的共形異常検出に基づいており,回帰モデルに変分オートエンコーダを用いる。 自動運転車用オープンソースシミュレータに実装された高度緊急ブレーキシステムを用いて,本手法を実証する。
  論文  参考訳（メタデータ） (2021-04-14T03:46:37Z)
• Self-supervised Representation Learning with Relative Predictive Coding [102.93854542031396]
  Relative Predictive Coding(RPC)は、新しいコントラスト表現学習目標である。 RPCは、トレーニング安定性、ミニバッチサイズ感度、ダウンストリームタスクパフォーマンスのバランスが良好である。 ベンチマークビジョンと音声自己教師型学習タスクにおけるRPCの有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2021-03-21T01:04:24Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。