論文の概要: FedTADBench: Federated Time-Series Anomaly Detection Benchmark
- arxiv url: http://arxiv.org/abs/2212.09518v1
- Date: Mon, 19 Dec 2022 14:57:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 18:17:01.486047
- Title: FedTADBench: Federated Time-Series Anomaly Detection Benchmark
- Title（参考訳）: FedTADBench: フェデレーション付き時系列異常検出ベンチマーク
- Authors: Fanxing Liu, Cheng Zeng, Le Zhang, Yingjie Zhou, Qing Mu, Yanru Zhang,
Ling Zhang, Ce Zhu
- Abstract要約: 時系列異常検出は、時間的データから潜在的な異常な行動やパターンを明らかにする試みである。
既存の時系列異常検出アルゴリズムが分散データストレージとプライバシ保護でどのように機能するかは、まだ不明である。
我々は、5つの代表的な時系列異常検出アルゴリズムと4つの一般的なフェデレート学習手法を含むフェデレーション時系列異常検出ベンチマークであるFedTADBenchを実行する。
- 参考スコア（独自算出の注目度）: 30.17617317330374
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series anomaly detection strives to uncover potential abnormal behaviors
and patterns from temporal data, and has fundamental significance in diverse
application scenarios. Constructing an effective detection model usually
requires adequate training data stored in a centralized manner, however, this
requirement sometimes could not be satisfied in realistic scenarios. As a
prevailing approach to address the above problem, federated learning has
demonstrated its power to cooperate with the distributed data available while
protecting the privacy of data providers. However, it is still unclear that how
existing time series anomaly detection algorithms perform with decentralized
data storage and privacy protection through federated learning. To study this,
we conduct a federated time series anomaly detection benchmark, named
FedTADBench, which involves five representative time series anomaly detection
algorithms and four popular federated learning methods. We would like to answer
the following questions: (1)How is the performance of time series anomaly
detection algorithms when meeting federated learning? (2) Which federated
learning method is the most appropriate one for time series anomaly detection?
(3) How do federated time series anomaly detection approaches perform on
different partitions of data in clients? Numbers of results as well as
corresponding analysis are provided from extensive experiments with various
settings. The source code of our benchmark is publicly available at
https://github.com/fanxingliu2020/FedTADBench.
- Abstract（参考訳）: 時系列異常検出は、時間的データから潜在的な異常な振る舞いやパターンを明らかにし、多様なアプリケーションシナリオにおいて根本的な重要性を持つ。
効果的な検出モデルを構築するには、通常、十分なトレーニングデータを集中的に保存する必要があるが、現実的なシナリオでは、この要件を満たすことができない場合もある。
上記の問題に対処するための一般的なアプローチとして、フェデレートドラーニングは、データプロバイダのプライバシを保護しながら、利用可能な分散データに協力する能力を示した。
しかし、既存の時系列異常検出アルゴリズムが分散データストレージとフェデレート学習によるプライバシ保護でどのように機能するかは、まだ不明である。
そこで我々は,FedTADBenchという,5つの代表的な時系列異常検出アルゴリズムと4つの一般的なフェデレーション学習手法を含む,連合時系列異常検出ベンチマークを実施している。
1) 連帯学習のミーティングにおける時系列異常検出アルゴリズムの性能はどのように向上するか?
2) 時系列異常検出に最も適したフェデレーション学習手法は何か?
3)フェデレーション時系列異常検出手法は,クライアント内のデータ分割にどのように作用するか?
各種設定による広範囲な実験から,結果の数と解析結果が提供される。
ベンチマークのソースコードはhttps://github.com/fanxingliu2020/FedTADBench.comで公開されています。
関連論文リスト
- 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) - Understanding Time Series Anomaly State Detection through One-Class
Classification [13.822504564241454]
本稿では,一級分類(OCC)による時系列異常検出問題の再検討と定義を試みる。
まず、プロセスと仮説テストを用いて「時系列異常状態検出問題」とその対応する異常を厳密に定義する。
そして、時系列分類データセットを用いて、問題に対応する人工データセットを構築する。
我々は38個の異常検出アルゴリズムをコンパイルし、いくつかのアルゴリズムを修正してこの問題に対処する。
論文 参考訳（メタデータ） (2024-02-03T03:43:04Z) - 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) - CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。
既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。
本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
論文 参考訳（メタデータ） (2023-08-18T04:45:56Z) - PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。
我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2023-01-25T16:34:43Z) - Deep Federated Anomaly Detection for Multivariate Time Series Data [93.08977495974978]
本稿では,Fed-ExDNN(Federated Exemplar-based Deep Neural Network)を用いて,異なるエッジデバイス上での多変量時系列データの異常検出を行う。
ExDNNとFed-ExDNNは、最先端の異常検出アルゴリズムやフェデレーション学習技術より優れていることを示す。
論文 参考訳（メタデータ） (2022-05-09T05:06:58Z) - Federated Variational Learning for Anomaly Detection in Multivariate
Time Series [13.328883578980237]
本稿では,非教師付き時系列異常検出フレームワークを提案する。
我々は,畳み込みGated Recurrent Unit(ConvGRU)モデルに基づいて,共有変分オートエンコーダ(VAE)を学習するために,エッジに分散したトレーニングデータを残しておく。
3つの実世界のネットワークセンサーデータセットの実験は、他の最先端モデルに対する我々のアプローチの利点を示しています。
論文 参考訳（メタデータ） (2021-08-18T22:23:15Z) - 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) - 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) - Two-Sample Testing for Event Impacts in Time Series [0.0]
時系列と一連の観測イベント間の共有情報に対する非自明な統計的テストを提案する。
本テストでは,特定の事象検出手法にコミットすることなく,事象発生に関する情報を伝達する時系列を識別できる。
論文 参考訳（メタデータ） (2020-01-31T16:13:02Z)
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。