論文の概要: GraphAD: A Graph Neural Network for Entity-Wise Multivariate Time-Series
Anomaly Detection
- arxiv url: http://arxiv.org/abs/2205.11139v1
- Date: Mon, 23 May 2022 08:59:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-24 19:43:43.322683
- Title: GraphAD: A Graph Neural Network for Entity-Wise Multivariate Time-Series
Anomaly Detection
- Title（参考訳）: GraphAD: エンティティワイズ多変量時系列異常検出のためのグラフニューラルネットワーク
- Authors: Xu Chen, Qiu Qiu, Changshan Li, Kunqing Xie
- Abstract要約: 大量のトランザクションデータが小売業者、特に運用条件における異常検出に新たな課題をもたらす。
従来の時系列異常検出手法は、時間と属性の観点から下位パターンをキャプチャし、このシナリオにおける小売業者の違いを無視している。
グラフニューラルネットワークに基づく新しい多変量時系列異常検出モデルであるGraphADを提案する。
- 参考スコア（独自算出の注目度）: 12.58293845026838
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, the emergence and development of third-party platforms have
greatly facilitated the growth of the Online to Offline (O2O) business.
However, the large amount of transaction data raises new challenges for
retailers, especially anomaly detection in operating conditions. Thus,
platforms begin to develop intelligent business assistants with embedded
anomaly detection methods to reduce the management burden on retailers.
Traditional time-series anomaly detection methods capture underlying patterns
from the perspectives of time and attributes, ignoring the difference between
retailers in this scenario. Besides, similar transaction patterns extracted by
the platforms can also provide guidance to individual retailers and enrich
their available information without privacy issues. In this paper, we pose an
entity-wise multivariate time-series anomaly detection problem that considers
the time-series of each unique entity. To address this challenge, we propose
GraphAD, a novel multivariate time-series anomaly detection model based on the
graph neural network. GraphAD decomposes the Key Performance Indicator (KPI)
into stable and volatility components and extracts their patterns in terms of
attributes, entities and temporal perspectives via graph neural networks. We
also construct a real-world entity-wise multivariate time-series dataset from
the business data of Ele.me. The experimental results on this dataset show that
GraphAD significantly outperforms existing anomaly detection methods.
- Abstract（参考訳）: 近年、サードパーティープラットフォームの出現と発展は、オンラインからオフライン(o2o)ビジネスの成長に大きく寄与している。
しかし、大量のトランザクションデータが小売業者、特に運用条件における異常検出に新たな課題をもたらす。
これにより、プラットフォームは、小売業者の管理負担を軽減するために、組込み異常検出手法によるインテリジェントなビジネスアシスタントの開発を開始する。
伝統的な時系列異常検出手法は、時間と属性の観点から下位のパターンを捉え、このシナリオにおける小売業者の違いを無視している。
さらに、プラットフォームによって抽出された同様のトランザクションパターンは、個々の小売業者にガイダンスを提供し、プライバシーの問題なく利用可能な情報を充実させることもできる。
本稿では,各エンティティの時系列を考慮に入れた,エンティティワイズ多変量時系列異常検出問題を示す。
この課題に対処するために,グラフニューラルネットワークに基づく新しい多変量時系列異常検出モデルであるGraphADを提案する。
GraphADはキーパフォーマンス指標(KPI)を安定かつボラティリティーなコンポーネントに分解し、グラフニューラルネットワークを通じて属性、エンティティ、時間的視点の観点からパターンを抽出する。
また,Ele.meのビジネスデータから実世界のエンティティワイド多変量時系列データセットを構築した。
このデータセットの実験結果は、GraphADが既存の異常検出方法よりも大幅に優れていることを示している。
関連論文リスト
- See it, Think it, Sorted: Large Multimodal Models are Few-shot Time Series Anomaly Analyzers [23.701716999879636]
時系列データの急激な増加に伴い,時系列異常検出(TSAD)はますます重要になりつつある。
本稿では,TMA(Time Series Anomaly Multimodal Analyzer)と呼ばれる先駆的なフレームワークを導入し,異常の検出と解釈を両立させる。
論文 参考訳（メタデータ） (2024-11-04T10:28:41Z) - Multivariate Time-Series Anomaly Detection based on Enhancing Graph Attention Networks with Topological Analysis [31.43159668073136]
時系列における教師なし異常検出は、手動による介入の必要性を大幅に低減するため、産業応用において不可欠である。
従来の手法では、グラフニューラルネットワーク(GNN)やトランスフォーマーを使用して空間を解析し、RNNは時間的依存をモデル化していた。
本稿では,TopoGDNと呼ばれる多変量時系列異常検出のための拡張グラフ注意ネットワーク(GAT)上に構築された新しい時間モデルを提案する。
論文 参考訳（メタデータ） (2024-08-23T14:06:30Z) - Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。
ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。
4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
論文 参考訳（メタデータ） (2024-01-24T03:43:45Z) - 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) - Low-count Time Series Anomaly Detection [1.3207844222875191]
低数の時系列はスパースまたは断続的なイベントを記述しており、多様なデータタイプをキャプチャし監視する大規模オンラインプラットフォームで広く使われている。
低数時系列、特に低信号対雑音比をモデル化する際、いくつかの異なる課題が表面化している。
異常セグメントを持つ低カウント時系列からなるベンチマークデータセットを作成するための新しい生成手順を提案する。
論文 参考訳（メタデータ） (2023-08-24T16:58:30Z) - BOURNE: Bootstrapped Self-supervised Learning Framework for Unified
Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。
ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。
BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文 参考訳（メタデータ） (2023-07-28T00:44:57Z) - Correlation-aware Spatial-Temporal Graph Learning for Multivariate
Time-series Anomaly Detection [67.60791405198063]
時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。
CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。
新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
論文 参考訳（メタデータ） (2023-07-17T11:04:27Z) - Multivariate Time Series Anomaly Detection via Dynamic Graph Forecasting [0.0]
動的時系列間グラフのリストに基づく時系列異常検出フレームワークDyGraphADを提案する。
中心となる考え方は、シリーズ間関係とシリーズ間時間パターンの正常状態から異常状態へのずれに基づいて異常を検出することである。
実世界のデータセットに関する数値実験により,DyGraphADはベースライン異常検出手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2023-02-04T01:27:01Z) - An Outlier Exposure Approach to Improve Visual Anomaly Detection
Performance for Mobile Robots [76.36017224414523]
移動ロボットの視覚異常検出システム構築の問題点を考察する。
標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。
本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
論文 参考訳（メタデータ） (2022-09-20T15:18:13Z) - From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale Contrastive Learning Approach [26.973056364587766]
グラフデータからの異常検出は、ソーシャルネットワーク、金融、eコマースなど、多くのアプリケーションにおいて重要なデータマイニングタスクである。
マルチスケールcONtrastive lEarning(略してANEMONE)を用いた新しいフレームワーク, graph Anomaly dEtection フレームワークを提案する。
グラフニューラルネットワークをバックボーンとして、複数のグラフスケール(ビュー)から情報をエンコードすることで、グラフ内のノードのより良い表現を学習する。
論文 参考訳（メタデータ） (2022-02-11T09:45:11Z) - 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。