論文の概要: G-CMP: Graph-enhanced Contextual Matrix Profile for unsupervised anomaly detection in sensor-based remote health monitoring

• arxiv url: http://arxiv.org/abs/2211.16122v1
• Date: Tue, 29 Nov 2022 11:48:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 15:11:16.626315
• Title: G-CMP: Graph-enhanced Contextual Matrix Profile for unsupervised anomaly detection in sensor-based remote health monitoring
• Title（参考訳）: g-cmp: センサベースリモートヘルスモニタリングにおける教師なし異常検出のためのグラフ強調コンテキストマトリックスプロファイル
• Authors: Nivedita Bijlani, Oscar Mendez Maldonado, Samaneh Kouchaki
• Abstract要約: 自然界において、異常検出アプローチは、騒音、ラベルの不足、高次元性、説明可能性、および操作環境における広範囲な変動によって挑戦される。 本稿では,CMP距離行列から生成されたコンテキストグラフで動作する時間的異常検出のための,自己教師付きグラフに基づく新しい手法を提案する。 提案手法は, より優れたリコール, 警告率, 一般化可能性を示した。
• 参考スコア（独自算出の注目度）: 9.835993421463515
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sensor-based remote health monitoring is used in industrial, urban and healthcare settings to monitor ongoing operation of equipment and human health. An important aim is to intervene early if anomalous events or adverse health is detected. In the wild, these anomaly detection approaches are challenged by noise, label scarcity, high dimensionality, explainability and wide variability in operating environments. The Contextual Matrix Profile (CMP) is a configurable 2-dimensional version of the Matrix Profile (MP) that uses the distance matrix of all subsequences of a time series to discover patterns and anomalies. The CMP is shown to enhance the effectiveness of the MP and other SOTA methods at detecting, visualising and interpreting true anomalies in noisy real world data from different domains. It excels at zooming out and identifying temporal patterns at configurable time scales. However, the CMP does not address cross-sensor information, and cannot scale to high dimensional data. We propose a novel, self-supervised graph-based approach for temporal anomaly detection that works on context graphs generated from the CMP distance matrix. The learned graph embeddings encode the anomalous nature of a time context. In addition, we evaluate other graph outlier algorithms for the same task. Given our pipeline is modular, graph construction, generation of graph embeddings, and pattern recognition logic can all be chosen based on the specific pattern detection application. We verified the effectiveness of graph-based anomaly detection and compared it with the CMP and 3 state-of-the art methods on two real-world healthcare datasets with different anomalies. Our proposed method demonstrated better recall, alert rate and generalisability.
• Abstract（参考訳）: センサベースの遠隔健康モニタリングは、産業、都市、医療の環境において、機器と人間の健康の継続的な運用を監視するために使用される。 重要な目的は、異常事象や有害な健康が検出された場合に早期に介入することである。 野生では、これらの異常検出アプローチは、ノイズ、ラベル不足、高次元、説明可能性、運用環境における幅広い変動性によって挑戦される。 文脈行列プロファイル (Contextual Matrix Profile, CMP) は、時系列のすべてのサブシーケンスの距離行列を用いてパターンや異常を発見する構成可能な2次元の行列プロファイル(MP)である。 CMPは、異なる領域の雑音の多い実世界データ中の真の異常を検出し、可視化し、解釈するMPや他のSOTA手法の有効性を高める。 設定可能な時間スケールでの時間パターンのズームアウトと識別に優れています。 しかし、cmpはセンサ間情報に対応せず、高次元データにスケールすることができない。 本研究では,cmp距離行列から生成する文脈グラフに基づく時間的異常検出のための,新しい自己教師付きグラフベースアプローチを提案する。 学習グラフ埋め込みは、時間コンテキストの異常な性質を符号化する。 また、同じタスクに対して他のグラフ外乱アルゴリズムを評価する。 私たちのパイプラインはモジュール化されており、グラフ構築、グラフ埋め込みの生成、パターン認識ロジックはすべて、特定のパターン検出アプリケーションに基づいて選択することができます。 グラフに基づく異常検出の有効性を検証し,異常の異なる2つの実世界の医療データセットにおいて,cmpと3つの最先端手法と比較した。 提案手法により,リコール,警告率,汎用性が向上した。

関連論文リスト

• GraphSubDetector: Time Series Subsequence Anomaly Detection via Density-Aware Adaptive Graph Neural Network [24.37330736887409]
  サブシーケンス異常検出,すなわちGraphSubDetectorに対する新しいアプローチを提案する。 まず、正規パターンと異常パターンの両方の特徴を強調する長さ選択機構を用いて、適切な列長を適応的に学習する。 第2に、サブシーケンス間のメッセージパッシングによる異常検出のための正規データの分散に対して、より堅牢な表現を生成できる密度対応適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2024-11-26T08:36:07Z)
• Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
  MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。 ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。 4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2024-01-24T03:43:45Z)
• 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)
• ADA-GAD: Anomaly-Denoised Autoencoders for Graph Anomaly Detection [84.0718034981805]
  我々はAnomaly-Denoized Autoencoders for Graph Anomaly Detection (ADA-GAD)という新しいフレームワークを導入する。 第1段階では,異常レベルを低減したグラフを生成する学習自由な異常化拡張法を設計する。 次の段階では、デコーダは元のグラフで検出するために再訓練される。
  論文  参考訳（メタデータ） (2023-12-22T09:02:01Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Graph Convolutional Networks for traffic anomaly [4.172516437934823]
  イベント検出は輸送において重要なタスクであり、そのタスクは大規模なイベントが都市交通ネットワークの大部分を破壊した時点のポイントを検出することである。 空間的および時間的交通パターンを完全に把握することは課題であるが、効果的な異常検出には重要な役割を果たす。 我々は, 交通条件を表す有向重み付きグラフ群において, 時間間隔毎に異常を検知する新しい手法で問題を定式化する。
  論文  参考訳（メタデータ） (2020-12-25T22:36:22Z)
• Real-Time Anomaly Detection in Edge Streams [49.26098240310257]
  マイクロクラスタ異常の検出に焦点を当てたMIDASを提案する。 さらに、アルゴリズムの内部状態に異常が組み込まれている問題を解くために、MIDAS-Fを提案する。 実験の結果,MIDAS-Fの精度はMIDASよりも有意に高かった。
  論文  参考訳（メタデータ） (2020-09-17T17:59:27Z)
• Laplacian Change Point Detection for Dynamic Graphs [10.556288610354997]
  各スナップショットにおけるグラフ構造のラプラシアン行列のスペクトルを用いて低次元埋め込みを求めるラプラシアン異常検出(Laplacian Anomaly Detection,LAD)を提案する。 合成実験では、LADは最先端の手法よりも優れている。 また,UCIメッセージネットワーク,米国上院共同責任ネットワーク,カナダ紙幣投票ネットワークの3つの実動的ネットワーク上で,本手法の評価を行った。
  論文  参考訳（メタデータ） (2020-07-02T16:24:24Z)
• Unsupervised Abnormality Detection Using Heterogeneous Autonomous Systems [0.3867363075280543]
  監視シナリオにおける異常検出は、新たな研究分野である。 本稿では,無人監視ドローンの異常度を推定する異種システムを提案する。 提案手法は, IEEE SP Cup-2020データセットで97.3%の精度で良好に動作する。
  論文  参考訳（メタデータ） (2020-06-05T23:09:58Z)

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。