論文の概要: Time Series Anomaly Detection via Reinforcement Learning-Based Model Selection

• arxiv url: http://arxiv.org/abs/2205.09884v1
• Date: Thu, 19 May 2022 22:10:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-23 15:09:10.601324
• Title: Time Series Anomaly Detection via Reinforcement Learning-Based Model Selection
• Title（参考訳）: 強化学習に基づくモデル選択による時系列異常検出
• Authors: Jiuqi Elise Zhang, Di Wu, Benoit Boulet
• Abstract要約: 時系列異常検出は、実世界のシステムの信頼性と効率的な運用において重要である。 本研究では、異常検出モデルのプールがアクセス可能であると仮定し、強化学習を利用して候補モデルを動的に選択することを提案する。 提案手法は,全体の性能において,すべてのベースラインモデル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）: 3.1692938090731584
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series anomaly detection is of critical importance for the reliable and efficient operation of real-world systems. Many anomaly detection models have been developed throughout the years based on various assumptions regarding anomaly characteristics. However, due to the complex nature of real-world data, different anomalies within a time series usually have diverse profiles supporting different anomaly assumptions, making it difficult to find a single anomaly detector that can consistently beat all other models. In this work, to harness the benefits of different base models, we assume that a pool of anomaly detection models is accessible and propose to utilize reinforcement learning to dynamically select a candidate model from these base models. Experiments on real-world data have been implemented. It is demonstrated that the proposed strategy can outperforms all baseline models in terms of overall performance.
• Abstract（参考訳）: 実世界のシステムの信頼性と効率的な運用には,時系列異常検出が重要である。 多くの異常検出モデルが、異常特性に関する様々な仮定に基づいて長年にわたって開発されてきた。 しかし、実世界のデータの複雑な性質から、時系列内の異なる異常は通常、異なる異常仮定をサポートする多様なプロファイルを持ち、他の全てのモデルに一貫して打ち勝つ単一の異常検出器を見つけることは困難である。 本研究では,異なるベースモデルの利点を利用するために,異常検出モデルのプールがアクセス可能であると仮定し,強化学習を利用してこれらのベースモデルから候補モデルを動的に選択することを提案する。 実世界データに関する実験が実施されている。 提案手法は,全体の性能において,すべてのベースラインモデルより優れていることを示す。

関連論文リスト

• Joint Selective State Space Model and Detrending for Robust Time Series Anomaly Detection [25.60381244912307]
  深層学習に基づくシーケンスモデルは時系列異常検出タスクに広く利用されている。 TSADの能力は、(i)長距離依存をモデル化する能力と(ii)非定常データの存在下での一般化問題という2つの主要な課題によって制限されている。
  論文  参考訳（メタデータ） (2024-05-30T08:31:18Z)
• Synthetic outlier generation for anomaly detection in autonomous driving [1.0989593035411862]
  異常検出は、確立されたパターンや大部分のデータから著しく逸脱したインスタンスを特定するために重要である。 本研究では,異常検出モジュールを用いた画像意味セグメンテーションモデルの訓練方法について検討する。 最先端DenseHybridモデルのトレーニング段階に改良を加えることで,異常検出における大幅な性能向上を実現した。
  論文  参考訳（メタデータ） (2023-08-04T07:55:32Z)
• Investigating Ensemble Methods for Model Robustness Improvement of Text Classifiers [66.36045164286854]
  既存のバイアス機能を分析し、すべてのケースに最適なモデルが存在しないことを実証します。 適切なバイアスモデルを選択することで、より洗練されたモデル設計でベースラインよりもロバスト性が得られる。
  論文  参考訳（メタデータ） (2022-10-28T17:52:10Z)
• 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)
• Object-centric and memory-guided normality reconstruction for video anomaly detection [56.64792194894702]
  本稿では,ビデオ監視における異常検出問題に対処する。 異常事象の固有な規則性と不均一性のため、問題は正規性モデリング戦略と見なされる。 我々のモデルは、トレーニング中に異常なサンプルを見ることなく、オブジェクト中心の正規パターンを学習する。
  論文  参考訳（メタデータ） (2022-03-07T19:28:39Z)
• Time Series Anomaly Detection with label-free Model Selection [0.6303112417588329]
  ラベルのない時系列データに対するラベルなしモデル選択を用いた新しい異常検出アルゴリズムであるLaF-ADを提案する。 我々のアルゴリズムは容易に並列化可能であり、不条件データや季節データに対してより堅牢であり、多数の異常モデルに対して非常にスケーラブルである。
  論文  参考訳（メタデータ） (2021-06-11T00:21:06Z)
• Meta-learning One-class Classifiers with Eigenvalue Solvers for Supervised Anomaly Detection [55.888835686183995]
  教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。 提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
  論文  参考訳（メタデータ） (2021-03-01T01:43:04Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• A Survey on Principles, Models and Methods for Learning from Irregularly Sampled Time Series [18.224344440110862]
  不規則にサンプリングされた時系列データは、生物学、生態学、気候科学、天文学、健康など、多くの応用領域で自然に発生する。 まず、不規則なサンプル時系列から学習するアプローチが異なるいくつかの軸について述べる。 次に、モデリングプリミティブの軸に沿って整理された最近の文献を調査します。
  論文  参考訳（メタデータ） (2020-11-30T23:41:47Z)
• 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。