論文の概要: A Comparative Study on Unsupervised Anomaly Detection for Time Series:
Experiments and Analysis
- arxiv url: http://arxiv.org/abs/2209.04635v1
- Date: Sat, 10 Sep 2022 10:44:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-13 12:27:34.147693
- Title: A Comparative Study on Unsupervised Anomaly Detection for Time Series:
Experiments and Analysis
- Title(参考訳): 時系列における教師なし異常検出の比較研究:実験と解析
- Authors: Yan Zhao, Liwei Deng, Xuanhao Chen, Chenjuan Guo, Bin Yang, Tung Kieu,
Feiteng Huang, Torben Bach Pedersen, Kai Zheng, Christian S. Jensen
- Abstract要約: 時系列異常検出は、信頼性と安全性を実現するためにしばしば不可欠である。
近年,時系列データの異常検出が盛んに行われている。
データ、メソッド、評価戦略について紹介する。
我々は,最先端技術とディープラーニング技術とを体系的に評価し,比較した。
- 参考スコア(独自算出の注目度): 28.79393419730138
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The continued digitization of societal processes translates into a
proliferation of time series data that cover applications such as fraud
detection, intrusion detection, and energy management, where anomaly detection
is often essential to enable reliability and safety. Many recent studies target
anomaly detection for time series data. Indeed, area of time series anomaly
detection is characterized by diverse data, methods, and evaluation strategies,
and comparisons in existing studies consider only part of this diversity, which
makes it difficult to select the best method for a particular problem setting.
To address this shortcoming, we introduce taxonomies for data, methods, and
evaluation strategies, provide a comprehensive overview of unsupervised time
series anomaly detection using the taxonomies, and systematically evaluate and
compare state-of-the-art traditional as well as deep learning techniques. In
the empirical study using nine publicly available datasets, we apply the most
commonly-used performance evaluation metrics to typical methods under a fair
implementation standard. Based on the structuring offered by the taxonomies, we
report on empirical studies and provide guidelines, in the form of comparative
tables, for choosing the methods most suitable for particular application
settings. Finally, we propose research directions for this dynamic field.
- Abstract(参考訳): 社会的プロセスの継続的なデジタル化は、不正検出、侵入検知、エネルギー管理などの応用をカバーする時系列データの拡散に変換される。
近年,時系列データの異常検出が盛んに行われている。
実際、時系列異常検出の領域は、多様なデータ、方法、評価戦略によって特徴づけられ、既存の研究における比較は、この多様性の一部しか考慮していないため、特定の問題の設定に最適な方法を選択することは困難である。
この欠点に対処するために,データ,手法,評価戦略の分類法を紹介するとともに,分類法を用いて教師なし時系列異常検出の包括的概要を述べるとともに,最先端の伝統的手法と深層学習手法を体系的に評価・比較する。
9つの公開データセットを用いた実証研究では、最も一般的に使用されているパフォーマンス評価メトリクスを、公正な実装標準の下で典型的なメソッドに適用する。
分類学の提供する構造に基づいて経験的研究を報告し、特定のアプリケーション設定に最も適した方法を選択するための比較表の形式でガイドラインを提供する。
最後に,この力学分野の研究方向を提案する。
関連論文リスト
- In Search of Insights, Not Magic Bullets: Towards Demystification of the
Model Selection Dilemma in Heterogeneous Treatment Effect Estimation [92.51773744318119]
本稿では,異なるモデル選択基準の長所と短所を実験的に検討する。
選択戦略,候補推定器,比較に用いるデータの間には,複雑な相互作用があることを強調した。
論文 参考訳(メタデータ) (2023-02-06T16:55:37Z) - Unsupervised Anomaly Detection in Time-series: An Extensive Evaluation
and Analysis of State-of-the-art Methods [8.953720167142304]
時系列における教師なし異常検出は文献で広く研究されている。
既存の教師なし時系列異常検出手法を厳格に比較する努力はほとんど行われていない。
本稿では,近年の時系列における教師なし異常検出手法の試作と詳細な評価手法を提案する。
論文 参考訳(メタデータ) (2022-12-06T15:05:54Z) - Systematic Evaluation of Predictive Fairness [60.0947291284978]
バイアス付きデータセットのトレーニングにおけるバイアスの緩和は、重要なオープンな問題である。
複数のタスクにまたがる様々なデバイアス化手法の性能について検討する。
データ条件が相対モデルの性能に強い影響を与えることがわかった。
論文 参考訳(メタデータ) (2022-10-17T05:40:13Z) - Multivariate Time Series Anomaly Detection with Few Positive Samples [12.256288627540536]
この実践的状況のニーズに対処する2つの方法を紹介する。
提案手法は, 自己回帰(AR)モデルを用いた正規動作の代表的な学習に有効である。
文献からのアプローチと比較して,効果的な性能を示す。
論文 参考訳(メタデータ) (2022-07-02T00:58:52Z) - A Revealing Large-Scale Evaluation of Unsupervised Anomaly Detection
Algorithms [0.0]
異常検出には、銀行詐欺検知やサイバー脅威検出から機器のメンテナンスや健康モニタリングまで、多くの応用がある。
我々は,最も普及している非教師付き異常検出方法の12点を概観した。
論文 参考訳(メタデータ) (2022-04-21T00:17:12Z) - Information-Theoretic Bias Reduction via Causal View of Spurious
Correlation [71.9123886505321]
本稿では,スプリアス相関の因果的解釈による情報理論バイアス測定手法を提案する。
本稿では,バイアス正規化損失を含むアルゴリズムバイアスに対する新しいデバイアスフレームワークを提案する。
提案したバイアス測定とデバイアス法は、多様な現実シナリオで検証される。
論文 参考訳(メタデータ) (2022-01-10T01:19:31Z) - 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) - A Survey of Single-Scene Video Anomaly Detection [2.053142696037897]
本稿では,1シーンのビデオフィードにおける異常検出に関する研究動向を要約する。
本稿では,様々な問題定式化,公開データセット,評価基準について論じる。
論文 参考訳(メタデータ) (2020-04-13T15:09:50Z) - Anomaly Detection in Univariate Time-series: A Survey on the
State-of-the-Art [0.0]
時系列データの異常検出は、長い間重要な研究分野であった。
近年,時系列の異常を検出する機械学習アルゴリズムが増えている。
研究者たちは、(ディープ)ニューラルネットワークを使ってこれらの技術を改善しようとした。
論文 参考訳(メタデータ) (2020-04-01T13:22:34Z) - Anomalous Example Detection in Deep Learning: A Survey [98.2295889723002]
本調査は,ディープラーニングアプリケーションにおける異常検出の研究について,構造化された包括的概要を提供する。
既存の技術に対する分類法を,その基礎となる前提と採用アプローチに基づいて提案する。
本稿では,DLシステムに異常検出技術を適用しながら未解決の研究課題を取り上げ,今後の課題について述べる。
論文 参考訳(メタデータ) (2020-03-16T02:47:23Z) - A Survey on Causal Inference [64.45536158710014]
因果推論は統計学、コンピュータ科学、教育、公共政策、経済学など、多くの分野において重要な研究トピックである。
観測データに対する様々な因果効果推定法が誕生した。
論文 参考訳(メタデータ) (2020-02-05T21:35:29Z)
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。