論文の概要: An Unsupervised Short- and Long-Term Mask Representation for
Multivariate Time Series Anomaly Detection
- arxiv url: http://arxiv.org/abs/2208.09240v1
- Date: Fri, 19 Aug 2022 09:34:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-22 16:42:21.987545
- Title: An Unsupervised Short- and Long-Term Mask Representation for
Multivariate Time Series Anomaly Detection
- Title(参考訳): 多変量時系列異常検出のための教師なし短時間・長期マスク表現
- Authors: Qiucheng Miao, Chuanfu Xu, Jun Zhan, Dong zhu, Chengkun Wu
- Abstract要約: 本稿では,教師なし短時間・長期マスク表現学習(SLMR)に基づく異常検出手法を提案する。
実験により,本手法の性能は,実世界の3つのデータセットにおいて,他の最先端モデルよりも優れていることが示された。
- 参考スコア(独自算出の注目度): 2.387411589813086
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Anomaly detection of multivariate time series is meaningful for system
behavior monitoring. This paper proposes an anomaly detection method based on
unsupervised Short- and Long-term Mask Representation learning (SLMR). The main
idea is to extract short-term local dependency patterns and long-term global
trend patterns of the multivariate time series by using multi-scale residual
dilated convolution and Gated Recurrent Unit(GRU) respectively. Furthermore,
our approach can comprehend temporal contexts and feature correlations by
combining spatial-temporal masked self-supervised representation learning and
sequence split. It considers the importance of features is different, and we
introduce the attention mechanism to adjust the contribution of each feature.
Finally, a forecasting-based model and a reconstruction-based model are
integrated to focus on single timestamp prediction and latent representation of
time series. Experiments show that the performance of our method outperforms
other state-of-the-art models on three real-world datasets. Further analysis
shows that our method is good at interpretability.
- Abstract(参考訳): 多変量時系列の異常検出は,システムの挙動モニタリングに有用である。
本稿では,教師なし短期・長期マスク表現学習(slmr)に基づく異常検出手法を提案する。
本研究の目的は,多変量時系列の短期的局所依存パターンと長期的グローバルトレンドパターンを,多変量拡張畳み込みとゲートリカレント単位(gru)を用いて抽出することである。
さらに,空間-時空間マスク型自己教師付き表現学習とシーケンス分割を組み合わせることで,時間的文脈と特徴的相関を理解できる。
特徴の重要性は異なると考え,各特徴の貢献度を調整するための注意機構を導入する。
最後に,予測ベースモデルと再構成ベースモデルを統合し,時系列の単一タイムスタンプ予測と潜在表現に着目した。
実験の結果,本手法は実世界の3つのデータセットにおいて,他の最先端モデルよりも優れていた。
さらに分析した結果,本手法は解釈可能性に優れていた。
関連論文リスト
- MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。
予測性能を高めるために3段階の相関を同時に検討する。
注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
論文 参考訳(メタデータ) (2024-05-30T03:32:44Z) - 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) - Embedded feature selection in LSTM networks with multi-objective
evolutionary ensemble learning for time series forecasting [49.1574468325115]
本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。
本手法はLSTMの重みと偏りを分割的に最適化する。
イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
論文 参考訳(メタデータ) (2023-12-29T08:42:10Z) - MPPN: Multi-Resolution Periodic Pattern Network For Long-Term Time
Series Forecasting [19.573651104129443]
長期の時系列予測は、様々な現実のシナリオにおいて重要な役割を果たす。
近年の時系列予測の深層学習手法は,分解法やサンプリング法により時系列の複雑なパターンを捉える傾向にある。
本稿では,MPPN(Multi- resolution Periodic Pattern Network)という,長期連続予測のための新しいディープラーニングネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-06-12T07:00:37Z) - Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。
階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
論文 参考訳(メタデータ) (2023-05-11T10:30:35Z) - A Pattern Discovery Approach to Multivariate Time Series Forecasting [27.130141538089152]
モデル複雑性は時系列の長さとともに指数関数的に増加するので、最先端のディープラーニング手法はフルタイムのモデルの構築に失敗する。
本稿では,多種多様な時系列パターンを自動的にキャプチャできる新しいパターン探索手法を提案する。
また,学習可能な相関行列を提案し,複数の時系列間の相関関係をモデル化する。
論文 参考訳(メタデータ) (2022-12-20T14:54:04Z) - Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。
我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。
本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文 参考訳(メタデータ) (2022-05-16T07:53:42Z) - Deep Autoregressive Models with Spectral Attention [74.08846528440024]
本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。
時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。
時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
論文 参考訳(メタデータ) (2021-07-13T11:08:47Z) - Multivariate Time-series Anomaly Detection via Graph Attention Network [27.12694738711663]
多変量時系列の異常検出は、データマイニング研究と産業応用の両方において非常に重要である。
1つの大きな制限は、異なる時系列間の関係を明示的に捉えないことである。
この問題に対処するために,多変量時系列異常検出のための新しい自己教師型フレームワークを提案する。
論文 参考訳(メタデータ) (2020-09-04T07:46:19Z) - Interpretable Deep Representation Learning from Temporal Multi-view Data [4.2179426073904995]
変動型オートエンコーダとリカレントニューラルネットワークに基づく生成モデルを提案し,多視点時間データに対する潜時ダイナミクスを推定する。
提案モデルを用いて,モデルの有効性と解釈可能性を示す3つのデータセットを解析する。
論文 参考訳(メタデータ) (2020-05-11T15:59:06Z)
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。