論文の概要: HFN: Heterogeneous Feature Network for Multivariate Time Series Anomaly
Detection
- arxiv url: http://arxiv.org/abs/2211.00277v2
- Date: Wed, 2 Nov 2022 02:43:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 11:50:17.201939
- Title: HFN: Heterogeneous Feature Network for Multivariate Time Series Anomaly
Detection
- Title（参考訳）: hfn:多変量時系列異常検出のための異種特徴ネットワーク
- Authors: Jun Zhan, Chengkun Wu, Canqun Yang, Qiucheng Miao and Xiandong Ma
- Abstract要約: MTSのためのヘテロジニアス特徴ネットワーク(HFN)に基づく,新しい半教師付き異常検出フレームワークを提案する。
まず、センサ埋め込みによって生成された埋め込み類似性グラフと、センサ値によって生成された特徴値類似性グラフを組み合わせて、時系列不均一グラフを構築する。
このアプローチは、ヘテロジニアスグラフ構造学習(HGSL)と表現学習の最先端技術を融合させる。
- 参考スコア（独自算出の注目度）: 2.253268952202213
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Network or physical attacks on industrial equipment or computer systems may
cause massive losses. Therefore, a quick and accurate anomaly detection (AD)
based on monitoring data, especially the multivariate time-series (MTS) data,
is of great significance. As the key step of anomaly detection for MTS data,
learning the relations among different variables has been explored by many
approaches. However, most of the existing approaches do not consider the
heterogeneity between variables, that is, different types of variables
(continuous numerical variables, discrete categorical variables or hybrid
variables) may have different and distinctive edge distributions. In this
paper, we propose a novel semi-supervised anomaly detection framework based on
a heterogeneous feature network (HFN) for MTS, learning heterogeneous structure
information from a mass of unlabeled time-series data to improve the accuracy
of anomaly detection, and using attention coefficient to provide an explanation
for the detected anomalies. Specifically, we first combine the embedding
similarity subgraph generated by sensor embedding and feature value similarity
subgraph generated by sensor values to construct a time-series heterogeneous
graph, which fully utilizes the rich heterogeneous mutual information among
variables. Then, a prediction model containing nodes and channel attentions is
jointly optimized to obtain better time-series representations. This approach
fuses the state-of-the-art technologies of heterogeneous graph structure
learning (HGSL) and representation learning. The experiments on four sensor
datasets from real-world applications demonstrate that our approach detects the
anomalies more accurately than those baseline approaches, thus providing a
basis for the rapid positioning of anomalies.
- Abstract（参考訳）: 産業機器やコンピュータシステムに対するネットワークまたは物理的攻撃は大きな損失をもたらす可能性がある。
したがって、モニタリングデータ、特に多変量時系列(mts)データに基づく迅速かつ正確な異常検出(ad)は非常に重要である。
MTSデータの異常検出の鍵となるステップとして、様々な変数間の関係の学習が多くのアプローチで研究されている。
しかし、既存のアプローチのほとんどは変数間の不均一性、すなわち異なる種類の変数(連続的な数値変数、離散的な分類変数、ハイブリッド変数)は異なる異なるエッジ分布を持つ可能性がある。
本稿では,mtsのための不均質特徴ネットワーク(hfn)に基づく新しい半教師付き異常検出フレームワークを提案し,ラベルなし時系列データから異種構造情報を学習し,異常検出の精度を向上させるとともに,注意係数を用いて検出異常の解説を行う。
具体的には,センサ埋め込みによって生成された埋め込み類似度サブグラフとセンサ値によって生成された特徴値類似度サブグラフを組み合わせることで,変数間の豊富な異種相互情報をフル活用する時系列異種グラフを構築する。
そして、ノードとチャネルの注意を含む予測モデルを共同で最適化し、より良い時系列表現を得る。
このアプローチは、ヘテロジニアスグラフ構造学習(HGSL)と表現学習の最先端技術を融合させる。
実世界の応用から得られた4つのセンサ・データセット実験により,本手法がベースライン・アプローチよりも高精度に異常を検出することが示され,異常の迅速な位置決めの基礎となった。
関連論文リスト
- Hypergraph-based multi-scale spatio-temporal graph convolution network for Time-Series anomaly detection [8.878898677348086]
多次元時系列異常検出技術は、航空宇宙、水処理、クラウドサービスプロバイダなど、多くの分野において重要な役割を果たす。
高次元および複雑なデータセットにおいて、効果的かつ正確な異常検出を行うことがますます困難になっている。
本稿では,複数変数間の高次マルチホップ相関を明示的に捉えるハイパーグラフに基づく時間グラフ畳み込みネットワークモデルSTGCN_Hyperを提案する。
我々のモデルはデータ中のマルチスケール時系列の特徴と特徴間の依存関係を柔軟に学習し、異常検出の精度、リコール、F1スコアで既存のベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2024-10-29T17:19:18Z) - 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) - Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。
本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。
我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文 参考訳（メタデータ） (2024-07-19T13:33:38Z) - 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) - Entropy Causal Graphs for Multivariate Time Series Anomaly Detection [7.402342914903391]
本研究では,多変量時系列異常検出のためのエントロピー因果グラフであるCGADを提案する。
CGADは転送エントロピーを利用して時系列データ間の因果関係を明らかにするグラフ構造を構築する。
CGADは、15%の平均的な改善で、実世界のデータセット上で最先端の手法より優れています。
論文 参考訳（メタデータ） (2023-12-15T01:35:00Z) - Correlation-aware Spatial-Temporal Graph Learning for Multivariate
Time-series Anomaly Detection [67.60791405198063]
時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。
CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。
新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
論文 参考訳（メタデータ） (2023-07-17T11:04:27Z) - GIT: Detecting Uncertainty, Out-Of-Distribution and Adversarial Samples
using Gradients and Invariance Transformations [77.34726150561087]
本稿では,ディープニューラルネットワークにおける一般化誤差検出のための総合的アプローチを提案する。
GITは勾配情報と不変変換の利用を組み合わせる。
本実験は,各種ネットワークアーキテクチャの最先端技術と比較して,GITの優れた性能を示すものである。
論文 参考訳（メタデータ） (2023-07-05T22:04:38Z) - 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) - Graph-Augmented Normalizing Flows for Anomaly Detection of Multiple Time
Series [12.745860899424532]
異常検出は、幅広い種類のデータに対して広く研究されているタスクである。
本稿では,異常検出のためのグラフ拡張正規化フロー手法を提案する。
実世界のデータセットで実験を行い、GANFの有効性を実証する。
論文 参考訳（メタデータ） (2022-02-16T04:42:53Z) - Graph Neural Network-Based Anomaly Detection in Multivariate Time Series [17.414474298706416]
我々は,高次元時系列データにおける異常を検出する新しい方法を開発した。
我々のアプローチは、構造学習アプローチとグラフニューラルネットワークを組み合わせている。
本研究では,本手法がベースラインアプローチよりも高精度に異常を検出することを示す。
論文 参考訳（メタデータ） (2021-06-13T09:07:30Z) - 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)
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。