論文の概要: Detecting Multivariate Time Series Anomalies with Zero Known Label
- arxiv url: http://arxiv.org/abs/2208.02108v3
- Date: Sat, 17 Jun 2023 13:12:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-22 05:46:24.859108
- Title: Detecting Multivariate Time Series Anomalies with Zero Known Label
- Title（参考訳）: ゼロラベルによる多変量時系列異常の検出
- Authors: Qihang Zhou, Jiming Chen, Haoyu Liu, Shibo He, Wenchao Meng
- Abstract要約: MTGFlowは多変量時系列異常検出のための教師なし異常検出手法である。
エンティティ間の複雑な相互依存性と各エンティティ固有の特性は、密度推定に重大な課題を生じさせる。
7つのベースラインを持つ5つの公開データセットの実験が行われ、MTGFlowはSOTA法を最大5.0AUROC%で上回っている。
- 参考スコア（独自算出の注目度）: 17.930211011723447
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multivariate time series anomaly detection has been extensively studied under
the semi-supervised setting, where a training dataset with all normal instances
is required. However, preparing such a dataset is very laborious since each
single data instance should be fully guaranteed to be normal. It is, therefore,
desired to explore multivariate time series anomaly detection methods based on
the dataset without any label knowledge. In this paper, we propose MTGFlow, an
unsupervised anomaly detection approach for multivariate time series anomaly
detection via dynamic graph and entity-aware normalizing flow, leaning only on
a widely accepted hypothesis that abnormal instances exhibit sparse densities
than the normal. However, the complex interdependencies among entities and the
diverse inherent characteristics of each entity pose significant challenges on
the density estimation, let alone to detect anomalies based on the estimated
possibility distribution. To tackle these problems, we propose to learn the
mutual and dynamic relations among entities via a graph structure learning
model, which helps to model accurate distribution of multivariate time series.
Moreover, taking account of distinct characteristics of the individual
entities, an entity-aware normalizing flow is developed to describe each entity
into a parameterized normal distribution, thereby producing fine-grained
density estimation. Incorporating these two strategies, MTGFlow achieves
superior anomaly detection performance. Experiments on five public datasets
with seven baselines are conducted, MTGFlow outperforms the SOTA methods by up
to 5.0 AUROC\%. Codes will be released at
https://github.com/zqhang/Detecting-Multivariate-Time-Series-Anomalies-with-Zero-Known-Label.
- Abstract（参考訳）: 多変量時系列異常検出は、すべての通常のインスタンスを持つトレーニングデータセットを必要とする半教師付き設定の下で広範囲に研究されている。
しかし、それぞれのデータインスタンスが正常であることを完全に保証する必要があるため、このようなデータセットの作成は非常に手間がかかる。
したがって、ラベルの知識のないデータセットに基づいて、多変量時系列異常検出手法を探索することが望まれる。
本稿では,動的グラフとエンティティ認識正規化フローによる多変量時系列異常検出のための教師なし異常検出手法であるmtgflowを提案する。
しかし、エンティティ間の複雑な相互依存性と各エンティティ固有の特性は、推定可能な分布に基づいて異常を検出することはもちろん、密度推定に重大な課題をもたらす。
これらの問題に対処するために,多変量時系列の正確な分布をモデル化するグラフ構造学習モデルを用いて,エンティティ間の相互および動的関係を学ぶことを提案する。
さらに、個々のエンティティの異なる特性を考慮したエンティティ認識正規化フローを開発し、各エンティティをパラメータ化された正規分布に記述し、細粒度密度推定を行う。
これら2つの戦略を組み込んだMTGFlowは、優れた異常検出性能を実現する。
7つのベースラインを持つ5つの公開データセットの実験が行われ、MTGFlowはSOTA法を最大5.0AUROC\%で上回っている。
コードはhttps://github.com/zqhang/Detecting-Multivariate-Time-Series-Anomalies-with-Zero-Known-Labelでリリースされる。
関連論文リスト
- Interdependency Matters: Graph Alignment for Multivariate Time Series Anomaly Detection [30.101707763778013]
グラフアライメント(GA)問題として異常検出を再定義するMADGA(MTS Anomaly Detection via Graph Alignment)を提案する。
GAアプローチでは、ノードとエッジの両方を明示的にアライメントし、ノードはワッサーシュタイン距離、エッジはグロモフ=ワッサーシュタイン距離を用いる。
多様な実世界のデータセットの実験は、MADGAの有効性を検証し、異常を検出し、相互依存を区別する能力を示す。
論文 参考訳（メタデータ） (2024-10-11T14:54:08Z) - 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) - Towards a General Time Series Anomaly Detector with Adaptive Bottlenecks and Dual Adversarial Decoders [16.31103717602631]
時系列異常検出は幅広い応用において重要な役割を果たす。
既存のメソッドでは、データセットごとに1つの特定のモデルをトレーニングする必要があります。
本稿では,広範囲なマルチドメインデータセット上で事前学習した時系列異常検出モデルを提案する。
論文 参考訳（メタデータ） (2024-05-24T06:59:43Z) - 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) - Label-Free Multivariate Time Series Anomaly Detection [17.092022624954705]
MTGFlowは、動的グラフとエンティティ認識正規化フローによるMTS異常検出のための教師なし異常検出アプローチである。
グラフ構造学習モデルを用いて、エンティティ間の関係を学習し、進化させ、MSSの複雑かつ正確な分布パターンを効果的にキャプチャする。
提案手法は,エンティティを意識した正規化フローを用いることで,個々のエンティティのユニークな特徴を取り入れたものである。
論文 参考訳（メタデータ） (2023-12-17T04:58:18Z) - MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly
Detection [124.52227588930543]
教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。
不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。
非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。
我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
論文 参考訳（メタデータ） (2023-08-29T13:38:35Z) - Efficient pattern-based anomaly detection in a network of multivariate
devices [0.17188280334580192]
2段階のアプローチで異常を検出するスケーラブルな手法を提案する。
まず、ネットワーク内のエンティティ間の関係を復元する。なぜなら関係は自然界において動的であり、原因不明のプロセスによって引き起こされることが多いからだ。
次に、逐次パターンの埋め込みに基づく異常を報告する。
論文 参考訳（メタデータ） (2023-05-07T16:05:30Z) - 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) - Deep Federated Anomaly Detection for Multivariate Time Series Data [93.08977495974978]
本稿では,Fed-ExDNN(Federated Exemplar-based Deep Neural Network)を用いて,異なるエッジデバイス上での多変量時系列データの異常検出を行う。
ExDNNとFed-ExDNNは、最先端の異常検出アルゴリズムやフェデレーション学習技術より優れていることを示す。
論文 参考訳（メタデータ） (2022-05-09T05:06:58Z) - 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) - Anomaly Detection in Trajectory Data with Normalizing Flows [0.0]
本稿では,ニューラルネットワークを用いたデータから複雑な密度推定を可能にする,正規化フローに基づく手法を提案する。
提案手法は, 軌道の各セグメントに対して, 流れを正規化する重要な特徴である, 正確なモデル確率値を算出する。
実世界の軌道データを用いて, 正規化フローを用いた集約異常検出法(GRADINGS)を評価し, 従来の異常検出法と比較した。
論文 参考訳（メタデータ） (2020-04-13T14:16:40Z)
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。