論文の概要: Deep Baseline Network for Time Series Modeling and Anomaly Detection

• arxiv url: http://arxiv.org/abs/2209.04561v1
• Date: Sat, 10 Sep 2022 00:06:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-13 13:31:24.381837
• Title: Deep Baseline Network for Time Series Modeling and Anomaly Detection
• Title（参考訳）: 時系列モデリングと異常検出のためのディープベースラインネットワーク
• Authors: Cheng Ge, Xi Chen, Ming Wang, Jin Wang
• Abstract要約: 我々は,時系列,すなわちDeep Baseline Network(DBLN)からベースラインを適切に抽出する新しいディープアーキテクチャを開発した。 このディープネットワークを利用することで、ベースラインの位置を容易に特定し、信頼性と解釈可能な異常検出結果を提供する。
• 参考スコア（独自算出の注目度）: 10.731630467897107
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has seen increasing applications in time series in recent years. For time series anomaly detection scenarios, such as in finance, Internet of Things, data center operations, etc., time series usually show very flexible baselines depending on various external factors. Anomalies unveil themselves by lying far away from the baseline. However, the detection is not always easy due to some challenges including baseline shifting, lacking of labels, noise interference, real time detection in streaming data, result interpretability, etc. In this paper, we develop a novel deep architecture to properly extract the baseline from time series, namely Deep Baseline Network (DBLN). By using this deep network, we can easily locate the baseline position and then provide reliable and interpretable anomaly detection result. Empirical evaluation on both synthetic and public real-world datasets shows that our purely unsupervised algorithm achieves superior performance compared with state-of-art methods and has good practical applications.
• Abstract（参考訳）: 近年、ディープラーニングは時系列に応用が増えている。 金融、モノのインターネット、データセンターの運用など、時系列の異常検出シナリオでは、時系列は通常、さまざまな外部要因に応じて非常に柔軟なベースラインを表示する。 異常はベースラインから遠く離れて横たわって現れます。 しかしながら、ベースラインシフト、ラベルの欠如、ノイズ干渉、ストリーミングデータのリアルタイム検出、結果解釈可能性など、いくつかの課題により、検出は必ずしも容易ではない。 本稿では,時系列からベースラインを適切に抽出する新しい深層アーキテクチャ,すなわち深層ベースラインネットワーク(dbln)を開発した。 このディープネットワークを用いることで、ベースラインの位置を容易に特定し、信頼性と解釈可能な異常検出結果を提供することができる。 総合的および公的な実世界のデータセットにおける経験的評価から, 純粋に教師なしのアルゴリズムは, 最先端の手法に比べて優れた性能を達成でき, 実用的応用が可能であることが示された。

関連論文リスト

• State-Space Modeling in Long Sequence Processing: A Survey on Recurrence in the Transformer Era [59.279784235147254]
  このサーベイは、シーケンシャルなデータ処理の反復モデルに基づく最新のアプローチの詳細な概要を提供する。 新たなイメージは、標準のバックプロパゲーション・オブ・タイムから外れた学習アルゴリズムによって構成される、新しいルートを考える余地があることを示唆している。
  論文  参考訳（メタデータ） (2024-06-13T12:51:22Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• CausalTime: Realistically Generated Time-series for Benchmarking of Causal Discovery [14.092834149864514]
  本研究では,実データに非常によく似た時系列を生成するためのCausalTimeパイプラインを紹介する。 パイプラインは、特定のシナリオにおける実際の観察から始まり、一致するベンチマークデータセットを生成する。 実験では, 定性的, 定量的な実験を行い, 既存のTSCDアルゴリズムのベンチマークを行った。
  論文  参考訳（メタデータ） (2023-10-03T02:29:19Z)
• Delving into Sequential Patches for Deepfake Detection [64.19468088546743]
  近年の顔偽造技術は、ほとんど追跡不可能なディープフェイクビデオを生み出しており、悪意のある意図で活用することができる。 従来の研究では、ディープフェイク法にまたがる一般化を追求する上で、局所的な低レベルな手がかりと時間的情報の重要性が指摘されてきた。 本稿では,局所的・時間的変換をベースとしたDeepfake Detectionフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-06T16:46:30Z)
• TranAD: Deep Transformer Networks for Anomaly Detection in Multivariate Time Series Data [13.864161788250856]
  TranADはディープトランスネットワークに基づく異常検出および診断モデルである。 注意に基づくシーケンスエンコーダを使用して、データ内のより広い時間的傾向の知識を迅速に推論する。 TranADは、データと時間効率のトレーニングによる検出と診断のパフォーマンスにおいて、最先端のベースラインメソッドよりも優れています。
  論文  参考訳（メタデータ） (2022-01-18T19:41:29Z)
• Time Series Analysis via Network Science: Concepts and Algorithms [62.997667081978825]
  本稿では,時系列をネットワークに変換する既存のマッピング手法について概観する。 我々は、主要な概念的アプローチを説明し、権威的な参照を提供し、統一された表記法と言語におけるそれらの利点と限界について洞察を与える。 ごく最近の研究だが、この研究領域には大きな可能性を秘めており、今後の研究の道を開くことを目的としている。
  論文  参考訳（メタデータ） (2021-10-11T13:33:18Z)
• MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake Detection [80.83725644958633]
  現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。 MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-09-15T14:11:53Z)
• 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 at Scale: The Case for Deep Distributional Time Series Models [14.621700495712647]
  我々のアプローチの主な特徴は、実値または実値のベクトルからなる時系列をモデル化するのではなく、実値(またはベクトル)上の確率分布の時系列をモデル化することである。 本手法は,数百万の時系列上の異常検出とスケールのストリーミングに有効である。 我々は,オープンソースの異常検出ツールを,実世界のデータセットに対する平均17%の改善率で上回っていることを示す。
  論文  参考訳（メタデータ） (2020-07-30T15:48:55Z)
• RobustTAD: Robust Time Series Anomaly Detection via Decomposition and Convolutional Neural Networks [37.16594704493679]
  本稿では,ロバスト時系列異常検出フレームワークRobustTADを提案する。 時系列データのために、堅牢な季節差分解と畳み込みニューラルネットワークを統合する。 パブリックオンラインサービスとしてデプロイされ、Alibaba Groupのさまざまなビジネスシナリオで広く採用されている。
  論文  参考訳（メタデータ） (2020-02-21T20:43:45Z)

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。