論文の概要: Calibrated One-class Classification for Unsupervised Time Series Anomaly
Detection
- arxiv url: http://arxiv.org/abs/2207.12201v1
- Date: Mon, 25 Jul 2022 13:43:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-26 13:35:08.514092
- Title: Calibrated One-class Classification for Unsupervised Time Series Anomaly
Detection
- Title(参考訳): 教師なし時系列異常検出のための校正一級分類
- Authors: Hongzuo Xu and Yijie Wang and Songlei Jian and Qing Liao and Yongjun
Wang and Guansong Pang
- Abstract要約: 教師なしの時系列異常検出は、ターゲットシステムの潜在的な欠陥を監視し、警告するのに役立つ。
現在最先端の異常検出装置は、主に高度なニューラルネットワーク構造の構築と新しい再構築・予測学習の目標に焦点を当てている。
本稿では,この課題に対処するために,一クラス分類という新しい一クラス学習手法を提案する。
- 参考スコア(独自算出の注目度): 22.137168832953613
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unsupervised time series anomaly detection is instrumental in monitoring and
alarming potential faults of target systems in various domains. Current
state-of-the-art time series anomaly detectors mainly focus on devising
advanced neural network structures and new reconstruction/prediction learning
objectives to learn data normality (normal patterns and behaviors) as
accurately as possible. However, these one-class learning methods can be
deceived by unknown anomalies in the training data (i.e., anomaly
contamination). Further, their normality learning also lacks knowledge about
the anomalies of interest. Consequently, they often learn a biased, inaccurate
normality boundary. This paper proposes a novel one-class learning approach,
named calibrated one-class classification, to tackle this problem. Our
one-class classifier is calibrated in two ways: (1) by adaptively penalizing
uncertain predictions, which helps eliminate the impact of anomaly
contamination while accentuating the predictions that the one-class model is
confident in, and (2) by discriminating the normal samples from native anomaly
examples that are generated to simulate genuine time series abnormal behaviors
on the basis of original data. These two calibrations result in
contamination-tolerant, anomaly-informed one-class learning, yielding a
significantly improved normality modeling. Extensive experiments on six
real-world datasets show that our model substantially outperforms twelve
state-of-the-art competitors and obtains 6% - 31% F1 score improvement. The
source code is available at \url{https://github.com/xuhongzuo/couta}.
- Abstract(参考訳): 教師なし時系列異常検出は、様々な領域のターゲットシステムの潜在的な障害の監視と警告に有用である。
最先端のニューラルネットワーク構造と、データの正常性(正規パターンと振舞い)を可能な限り正確に学習するための新しい再構築/予測学習目標の開発に重点が置かれている。
しかし、これらの一級学習方法は、トレーニングデータ(すなわち異常汚染)の未知の異常によって欺くことができる。
さらに、彼らの正規性学習は、関心の異常に関する知識を欠いている。
その結果、しばしばバイアスのある不正確な正規性境界を学ぶ。
本稿では,この問題に取り組むための新しい一級学習手法である校正一級分類を提案する。
1級分類器は, 1級モデルが確信している予測を強調しながら, 異常汚染の影響を除去しうる不確定な予測を適応的にペナルタライズすることで, 2) 原データに基づいて実際の時系列異常挙動をシミュレートするために生成されたネイティブ異常例から正常なサンプルを識別することにより, 2つの方法で分類する。
これらの2つの校正は、汚染耐性、異常なインフォームドワンクラスの学習をもたらす。
6つの実世界のデータセットに対する大規模な実験により、我々のモデルは12の最先端の競合より大幅に優れ、6%から31%のF1スコアの改善が得られた。
ソースコードは \url{https://github.com/xuhongzuo/couta} で入手できる。
関連論文リスト
- An Iterative Method for Unsupervised Robust Anomaly Detection Under Data
Contamination [24.74938110451834]
ほとんどの深層異常検出モデルは、データセットから正規性を学ぶことに基づいている。
実際、正規性仮定は実データ分布の性質によってしばしば破られる。
このギャップを減らし、より優れた正規性表現を実現するための学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-18T02:36:19Z) - Few-shot Anomaly Detection in Text with Deviation Learning [13.957106119614213]
偏差学習を用いたエンドツーエンド手法で異常スコアを明示的に学習するフレームワークであるFATEを紹介する。
本モデルは,マルチヘッド・セルフアテンション・レイヤと複数インスタンス・ラーニング・アプローチを用いて,異常の異なる振る舞いを学習するために最適化されている。
論文 参考訳(メタデータ) (2023-08-22T20:40:21Z) - CARLA: Self-supervised Contrastive Representation Learning for Time
Series Anomaly Detection [57.75766902905591]
時系列異常検出(TAD)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) - SLA$^2$P: Self-supervised Anomaly Detection with Adversarial
Perturbation [77.71161225100927]
異常検出は、機械学習の基本的な問題であるが、難しい問題である。
本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
論文 参考訳(メタデータ) (2021-11-25T03:53:43Z) - Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。
提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。
我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文 参考訳(メタデータ) (2021-08-01T14:33:17Z) - Deep Visual Anomaly detection with Negative Learning [18.79849041106952]
本稿では、異常検出の強化に負の学習概念を用いる、負の学習を伴う異常検出(ADNL)を提案する。
その考え方は、与えられた少数の異常例を用いて生成モデルの再構成能力を制限することである。
このようにして、ネットワークは通常のデータを再構築することを学ぶだけでなく、異常の可能性のある分布から遠く離れた正規分布を囲む。
論文 参考訳(メタデータ) (2021-05-24T01:48:44Z) - Understanding Classifier Mistakes with Generative Models [88.20470690631372]
ディープニューラルネットワークは教師付き学習タスクに有効であるが、脆弱であることが示されている。
本稿では、生成モデルを利用して、分類器が一般化に失敗するインスタンスを特定し、特徴付ける。
我々のアプローチは、トレーニングセットのクラスラベルに依存しないため、半教師付きでトレーニングされたモデルに適用できる。
論文 参考訳(メタデータ) (2020-10-05T22:13:21Z) - 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) - Deep Weakly-supervised Anomaly Detection [118.55172352231381]
ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。
PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。
12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
論文 参考訳(メタデータ) (2019-10-30T00:40:25Z)
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。