論文の概要: Robust Time Series Dissimilarity Measure for Outlier Detection and Periodicity Detection

• arxiv url: http://arxiv.org/abs/2206.02956v1
• Date: Tue, 7 Jun 2022 00:49:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-08 16:52:32.251232
• Title: Robust Time Series Dissimilarity Measure for Outlier Detection and Periodicity Detection
• Title（参考訳）: 外乱検出と周期検出のためのロバスト時系列異性度測定
• Authors: Xiaomin Song, Qingsong Wen, Yan Li, Liang Sun
• Abstract要約: 本稿では,ノイズや外れ値の影響を低減するため,RobostDTWという新しい時系列差分尺度を提案する。 具体的には、ロバストDTWは、設計した時間グラフトレンドフィルタリングを利用して、トレンドを推定し、時間ワープを交互に最適化する。 実世界のデータセットを用いた実験では、外乱時系列検出と周期性検出の両方において、DTWの変種と比較してロバストDTWの優れた性能を示す。
• 参考スコア（独自算出の注目度）: 16.223509730658513
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic time warping (DTW) is an effective dissimilarity measure in many time series applications. Despite its popularity, it is prone to noises and outliers, which leads to singularity problem and bias in the measurement. The time complexity of DTW is quadratic to the length of time series, making it inapplicable in real-time applications. In this paper, we propose a novel time series dissimilarity measure named RobustDTW to reduce the effects of noises and outliers. Specifically, the RobustDTW estimates the trend and optimizes the time warp in an alternating manner by utilizing our designed temporal graph trend filtering. To improve efficiency, we propose a multi-level framework that estimates the trend and the warp function at a lower resolution, and then repeatedly refines them at a higher resolution. Based on the proposed RobustDTW, we further extend it to periodicity detection and outlier time series detection. Experiments on real-world datasets demonstrate the superior performance of RobustDTW compared to DTW variants in both outlier time series detection and periodicity detection.
• Abstract（参考訳）: 動的時間ワープ(DTW)は、多くの時系列アプリケーションにおいて有効な相同性尺度である。 その人気にもかかわらず、ノイズや外れ値の傾向があり、特異性の問題や測定のバイアスにつながる。 dtwの時間複雑性は時系列の長さに2倍であり、リアルタイムアプリケーションでは適用できない。 本稿では,雑音や異常値の影響を低減するため,ロバストdtwという新しい時系列異種性尺度を提案する。 具体的には、RobustDTWはトレンドを推定し、設計した時間的グラフトレンドフィルタリングを利用して、時間ワープを交互に最適化する。 効率を向上させるために,より低い解像度で傾向とワープ関数を推定し,高分解能で繰り返し精錬するマルチレベルフレームワークを提案する。 提案したRobustDTWに基づいて、さらに周期性検出と外れ値時系列検出に拡張する。 実世界のデータセットを用いた実験では、外乱時系列検出と周期性検出の両方において、DTWの変種と比較してロバストDTWの優れた性能を示す。

関連論文リスト

• 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)
• Expert enhanced dynamic time warping based anomaly detection [1.3812010983144802]
  本稿では,E-DTWA(Expert enhanced dynamic time warping anomaly detection)と呼ばれる新しい異常検出手法を提案する。 DTWをベースにしており、Human-in-the-loopコンセプトを含むさらなる拡張が加えられている。 提案手法の主な利点は、専門家の検知フィードバックを強く考慮した、効率的な検出、柔軟な再訓練である。
  論文  参考訳（メタデータ） (2023-10-02T04:54:04Z)
• Deep Attentive Time Warping [22.411355064531143]
  タスク適応時間ワープのためのニューラルネットワークモデルを提案する。 我々は、バイパーティイトアテンションモデルと呼ばれるアテンションモデルを用いて、明示的な時間ゆらぎメカニズムを開発する。 DTWをワープに使用する他の学習可能なモデルとは異なり、我々のモデルは2つの時系列間のすべての局所的対応を予測する。
  論文  参考訳（メタデータ） (2023-09-13T04:49:49Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• RePAD2: Real-Time, Lightweight, and Adaptive Anomaly Detection for Open-Ended Time Series [0.0]
  オープンエンド時系列(英語: open-ended time series)とは、終端のない時系列でインデックスされた一連のデータポイントを指す。 リアルタイム時系列異常検出手法がいくつか導入されている。 長期にわたってオープンエンドの時系列に適用された場合、システムリソースを浪費する可能性がある。 本稿では,オープンエンド時系列に対する軽量リアルタイム異常検出手法であるRePAD2を提案する。
  論文  参考訳（メタデータ） (2023-03-01T11:00:20Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis [80.56913334060404]
  時系列解析は、天気予報、異常検出、行動認識などの応用において非常に重要である。 従来の手法では、1D時系列から直接これを達成しようと試みていた。 複雑な経時的変化を、複数の経時的変化と経時的変化に明らかにする。
  論文  参考訳（メタデータ） (2022-10-05T12:19:51Z)
• Triformer: Triangular, Variable-Specific Attentions for Long Sequence Multivariate Time Series Forecasting--Full Version [50.43914511877446]
  本稿では,高い効率と精度を確保するために,三角形,可変特性に着目した注意点を提案する。 我々はTriformerが精度と効率の両方で最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-28T20:41:49Z)
• A Case-Study on the Impact of Dynamic Time Warping in Time Series Regression [2.639737913330821]
  本研究では,1波長のみを考慮した場合,動的時間ワープ(DTW)が回帰作業の精度向上に有効であることを示す。 k-Nearest Neighbourと組み合わせると、DTWは、時系列のレベルでサンプル間の類似点と相違点を明らかにすることができるという利点が追加される。 しかし、この問題では、このデータは波長の広い範囲で利用できると考えている。
  論文  参考訳（メタデータ） (2020-10-11T15:21:21Z)
• Finding Action Tubes with a Sparse-to-Dense Framework [62.60742627484788]
  本稿では,ビデオストリームからのアクションチューブ提案を1つのフォワードパスでスパース・トゥ・デンス方式で生成するフレームワークを提案する。 UCF101-24, JHMDB-21, UCFSportsベンチマークデータセット上で, 本モデルの有効性を評価する。
  論文  参考訳（メタデータ） (2020-08-30T15:38:44Z)

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。