論文の概要: Is it worth it? An experimental comparison of six deep- and classical machine learning methods for unsupervised anomaly detection in time series

• arxiv url: http://arxiv.org/abs/2212.11080v1
• Date: Wed, 21 Dec 2022 15:27:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 14:18:44.807779
• Title: Is it worth it? An experimental comparison of six deep- and classical machine learning methods for unsupervised anomaly detection in time series
• Title（参考訳）: 価値はあるのか? 時系列における教師なし異常検出のための6つの深層・古典的機械学習手法の実験的検討
• Authors: Ferdinand Rewicki and Joachim Denzler and Julia Niebling
• Abstract要約: 我々は6つの教師なし異常検出手法を異なる複雑さで比較し、質問に答える。 本研究では,従来の機械学習手法が,多種多様な異常型を対象としたディープラーニング手法と比較して,優れた性能を示すことを示す。
• 参考スコア（独自算出の注目度）: 35.07288247575299
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The detection of anomalies in time series data is crucial in a wide range of applications, such as system monitoring, health care or cyber security. While the vast number of available methods makes selecting the right method for a certain application hard enough, different methods have different strengths, e.g. regarding the type of anomalies they are able to find. In this work, we compare six unsupervised anomaly detection methods with different complexities to answer the questions: Are the more complex methods usually performing better? And are there specific anomaly types that those method are tailored to? The comparison is done on the UCR anomaly archive, a recent benchmark dataset for anomaly detection. We compare the six methods by analyzing the experimental results on a dataset- and anomaly type level after tuning the necessary hyperparameter for each method. Additionally we examine the ability of individual methods to incorporate prior knowledge about the anomalies and analyse the differences of point-wise and sequence wise features. We show with broad experiments, that the classical machine learning methods show a superior performance compared to the deep learning methods across a wide range of anomaly types.
• Abstract（参考訳）: 時系列データにおける異常の検出は、システム監視、医療、サイバーセキュリティなど、幅広いアプリケーションにおいて重要である。 利用可能な多くのメソッドは、特定のアプリケーションに対して適切なメソッドを選択するのを十分に難しくするが、異なるメソッドは異なる長所を持っている。 本研究では,教師なしの6つの異常検出法と異なる複雑度を比較して,次のような疑問に答える。 そして、それらのメソッドがカスタマイズされる特定の異常型はありますか? この比較は、最近の異常検出のためのベンチマークデータセットであるUCR異常アーカイブで行われている。 各メソッドに必要なハイパーパラメータをチューニングした後,データセットと異常型レベルで実験結果を分析して6つの手法を比較した。 さらに,各手法が異常に関する事前の知識を取り入れ,ポイントワイド特徴とシーケンスワイド特徴の違いを分析する能力についても検討する。 本研究では,従来の機械学習手法が,多種多様な異常型を対象としたディープラーニング手法と比較して,優れた性能を示すことを示す。

関連論文リスト

• Can I trust my anomaly detection system? A case study based on explainable AI [0.4416503115535552]
  本稿では,変分自己エンコーダ生成モデルに基づく異常検出システムのロバスト性について検討する。 目標は、再構成の違いを利用する異常検知器の実際の性能について、異なる視点を得ることです。
  論文  参考訳（メタデータ） (2024-07-29T12:39:07Z)
• Anomaly Detection Based on Isolation Mechanisms: A Survey [13.449446806837422]
  分離に基づく教師なし異常検出は、データの異常を識別するための新しく効果的なアプローチである。 本稿では,データ分割戦略,異常スコア関数,アルゴリズムの詳細など,最先端の分離に基づく異常検出手法について概説する。
  論文  参考訳（メタデータ） (2024-03-16T04:29:21Z)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• SaliencyCut: Augmenting Plausible Anomalies for Anomaly Detection [24.43321988051129]
  そこで本稿では,SaliencyCutという新たなデータ拡張手法を提案する。 次に、各サンプルから微細な異常特徴を抽出し評価するために、異常学習ヘッドにパッチワイド残余モジュールを新規に設計する。
  論文  参考訳（メタデータ） (2023-06-14T08:55:36Z)
• Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
  時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。 時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。 本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
  論文  参考訳（メタデータ） (2022-11-09T22:40:22Z)
• A Comparative Study on Unsupervised Anomaly Detection for Time Series: Experiments and Analysis [28.79393419730138]
  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。
  論文  参考訳（メタデータ） (2022-09-10T10:44:25Z)
• An Evaluation of Anomaly Detection and Diagnosis in Multivariate Time Series [7.675917669905486]
  本稿では,異常検出・診断のための教師なし・半教師付き深層学習手法の体系的・包括的評価について述べる。 我々は、10のモデルと4のスコアリング関数のグリッドを通して、モデルエラーのモデルと後処理を変え、これらの変種を最先端の手法と比較する。 既存の評価指標は、事象を考慮に入れていないか、良い検知器と自明な検出器を区別できないかのどちらかである。
  論文  参考訳（メタデータ） (2021-09-23T15:14:24Z)
• 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)
• Toward Deep Supervised Anomaly Detection: Reinforcement Learning from Partially Labeled Anomaly Data [150.9270911031327]
  本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。 既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。 そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-09-15T03:05:39Z)
• Self-trained Deep Ordinal Regression for End-to-End Video Anomaly Detection [114.9714355807607]
  ビデオ異常検出に自己学習深層順序回帰を適用することで,既存の手法の2つの重要な限界を克服できることを示す。 我々は,手動で正規/異常データをラベル付けすることなく,共同表現学習と異常スコアリングを可能にする,エンドツーエンドのトレーニング可能なビデオ異常検出手法を考案した。
  論文  参考訳（メタデータ） (2020-03-15T08:44:55Z)

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。