論文の概要: Series2Graph: Graph-based Subsequence Anomaly Detection for Time Series
- arxiv url: http://arxiv.org/abs/2207.12208v1
- Date: Mon, 25 Jul 2022 13:55:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-26 15:24:38.388947
- Title: Series2Graph: Graph-based Subsequence Anomaly Detection for Time Series
- Title(参考訳): Series2Graph: 時系列のグラフベースのサブシーケンス異常検出
- Authors: Paul Boniol, Themis Palpanas
- Abstract要約: 長いシーケンスにおける後続異常検出は、幅広い領域の応用において重要な問題である。
本研究では,ドメイン列異常検出に適した教師なし手法を提案する。
本手法は,サブシーケンスの低次元非依存性埋め込みのグラフ表現に基づく。
- 参考スコア(独自算出の注目度): 22.630676187747696
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Subsequence anomaly detection in long sequences is an important problem with
applications in a wide range of domains. However, the approaches proposed so
far in the literature have severe limitations: they either require prior domain
knowledge used to design the anomaly discovery algorithms, or become cumbersome
and expensive to use in situations with recurrent anomalies of the same type.
In this work, we address these problems, and propose an unsupervised method
suitable for domain agnostic subsequence anomaly detection. Our method,
Series2Graph, is based on a graph representation of a novel low-dimensionality
embedding of subsequences. Series2Graph needs neither labeled instances (like
supervised techniques) nor anomaly-free data (like zero-positive learning
techniques), and identifies anomalies of varying lengths. The experimental
results, on the largest set of synthetic and real datasets used to date,
demonstrate that the proposed approach correctly identifies single and
recurrent anomalies without any prior knowledge of their characteristics,
outperforming by a large margin several competing approaches in accuracy, while
being up to orders of magnitude faster. This paper has appeared in VLDB 2020.
- Abstract(参考訳): 長いシーケンスにおける連続異常検出は、幅広い領域の応用において重要な問題である。
しかし、これまでの文献で提案されているアプローチには、異常発見アルゴリズムの設計に使用する事前のドメイン知識を必要とするか、同じタイプの繰り返し異常のある状況で使用するのが面倒で費用がかかるか、厳しい制限がある。
本研究では,これらの問題に対処し,ドメインに依存しないサブシーケンス検出に適した教師なし手法を提案する。
提案手法である series2graph は,部分列の新たな低次元埋め込みのグラフ表現に基づいている。
series2graphはラベル付きインスタンス(教師付き技術など)や異常のないデータ(ゼロ正の学習技術など)も必要とせず、さまざまな長さの異常を識別できる。
実験結果は,これまで使用されてきた最大規模の合成データセットと実データセットを用いて,提案手法が先行知識のない単一および再帰異常を正しく同定し,精度の面ではいくつかの競合するアプローチよりも優れていることを示した。
この論文はVLDB 2020に掲載されている。
関連論文リスト
- ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。
ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。
各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
論文 参考訳(メタデータ) (2024-05-27T02:42:33Z) - 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) - ADA-GAD: Anomaly-Denoised Autoencoders for Graph Anomaly Detection [84.0718034981805]
我々はAnomaly-Denoized Autoencoders for Graph Anomaly Detection (ADA-GAD)という新しいフレームワークを導入する。
第1段階では,異常レベルを低減したグラフを生成する学習自由な異常化拡張法を設計する。
次の段階では、デコーダは元のグラフで検出するために再訓練される。
論文 参考訳(メタデータ) (2023-12-22T09:02:01Z) - MetaGAD: Learning to Meta Transfer for Few-shot Graph Anomaly Detection [18.393760765481836]
本稿では,グラフ異常検出のためのラベル付きノードとラベル付きノードの知識をメタトランスファーするMetaGADを提案する。
6つの実世界のデータセットに対する実験結果から,提案手法の有効性が示された。
論文 参考訳(メタデータ) (2023-05-18T03:04:51Z) - Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。
本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。
HypADは自己指導で入力信号を再構築する。
論文 参考訳(メタデータ) (2022-11-16T21:31:39Z) - Anomaly Rule Detection in Sequence Data [2.3757190901941736]
本稿では,一組のシーケンスからユーティリティを意識した外部規則の発見を可能にする,DUOSと呼ばれる新しい異常検出フレームワークを提案する。
本研究では,集団の異常性と実用性を両立させ,ユーティリティ・アウェア・アウトリー・ルール(UOSR)の概念を導入する。
論文 参考訳(メタデータ) (2021-11-29T23:52:31Z) - Low-rank on Graphs plus Temporally Smooth Sparse Decomposition for
Anomaly Detection in Spatiotemporal Data [37.65687661747699]
本稿では,非教師付きテンソルに基づく異常検出手法を提案する。
結果として生じる最適化問題は凸性があり、スケーラブルであり、欠落したデータやノイズに対して堅牢であることが示されている。
論文 参考訳(メタデータ) (2020-10-23T19:34:40Z) - 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) - Toward Deep Supervised Anomaly Detection: Reinforcement Learning from
Partially Labeled Anomaly Data [150.9270911031327]
本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。
既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。
そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2020-09-15T03:05:39Z)
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。