論文の概要: AER: Auto-Encoder with Regression for Time Series Anomaly Detection
- arxiv url: http://arxiv.org/abs/2212.13558v1
- Date: Tue, 27 Dec 2022 17:22:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 14:44:10.970700
- Title: AER: Auto-Encoder with Regression for Time Series Anomaly Detection
- Title（参考訳）: AER: 時系列異常検出のための回帰付きオートエンコーダ
- Authors: Lawrence Wong, Dongyu Liu, Laure Berti-Equille, Sarah Alnegheimish,
Kalyan Veeramachaneni
- Abstract要約: 時系列データの異常検出は、様々な産業領域でますます一般的になっている。
最近の教師なし機械学習手法は、この問題に対処する上で顕著な進歩を遂げている。
本稿では,バニラオートエンコーダとLSTM回帰器を組み合わせたジョイントモデルであるAER(Auto-encoder with Regression)を提案する。
- 参考スコア（独自算出の注目度）: 12.418290128163882
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Anomaly detection on time series data is increasingly common across various
industrial domains that monitor metrics in order to prevent potential accidents
and economic losses. However, a scarcity of labeled data and ambiguous
definitions of anomalies can complicate these efforts. Recent unsupervised
machine learning methods have made remarkable progress in tackling this problem
using either single-timestamp predictions or time series reconstructions. While
traditionally considered separately, these methods are not mutually exclusive
and can offer complementary perspectives on anomaly detection. This paper first
highlights the successes and limitations of prediction-based and
reconstruction-based methods with visualized time series signals and anomaly
scores. We then propose AER (Auto-encoder with Regression), a joint model that
combines a vanilla auto-encoder and an LSTM regressor to incorporate the
successes and address the limitations of each method. Our model can produce
bi-directional predictions while simultaneously reconstructing the original
time series by optimizing a joint objective function. Furthermore, we propose
several ways of combining the prediction and reconstruction errors through a
series of ablation studies. Finally, we compare the performance of the AER
architecture against two prediction-based methods and three
reconstruction-based methods on 12 well-known univariate time series datasets
from NASA, Yahoo, Numenta, and UCR. The results show that AER has the highest
averaged F1 score across all datasets (a 23.5% improvement compared to ARIMA)
while retaining a runtime similar to its vanilla auto-encoder and regressor
components. Our model is available in Orion, an open-source benchmarking tool
for time series anomaly detection.
- Abstract（参考訳）: 時系列データの異常検出は、潜在的な事故や経済的な損失を防ぐためにメトリクスを監視する様々な産業領域でますます一般的になっている。
しかし、ラベル付きデータの不足と異常の曖昧な定義はこれらの努力を複雑にすることができる。
最近の教師なし機械学習手法は、単一タイムスタンプ予測または時系列再構成を用いてこの問題に対処する際、顕著な進歩を遂げている。
従来は別々に検討されてきたが、これらの手法は相互排他的ではなく、異常検出に関する補完的な視点を提供することができる。
本稿ではまず,時系列信号と異常スコアを可視化した予測および再構成に基づく手法の成功と限界について述べる。
次に,バニラオートエンコーダとLSTM回帰器を組み合わせた共同モデルであるAER(Auto-encoder with Regression)を提案する。
本モデルでは,共同目的関数を最適化することで,元の時系列を再現しながら双方向予測を行うことができる。
さらに,一連のアブレーション研究を通じて,予測誤差と復元誤差を組み合わせる方法を提案する。
最後に,AERアーキテクチャの性能を,NASA,Yahoo,Numenta,UCRの12個の有名な時系列データセットに対して,予測に基づく2つの手法と再構成に基づく3つの手法と比較した。
その結果、AERはすべてのデータセットの平均F1スコアが最も高く(ARIMAと比較して23.5%改善)、バニラオートエンコーダや回帰器コンポーネントに似たランタイムを維持していることがわかった。
当社のモデルは,時系列異常検出のためのオープンソースのベンチマークツールであるOrionで利用可能である。
関連論文リスト
- 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) - 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) - MGADN: A Multi-task Graph Anomaly Detection Network for Multivariate
Time Series [0.0]
時系列の異常検出,特に多変量時系列(複数センサ付き時系列)は,ここ数年にわたって注目されてきた。
ニューラルネットワークを含む既存の方法は、タイムスタンプの観点からのみ、関係に集中する。
提案手法では,グラフニューラルネットワークから派生したGATを用いて,センサ間の接続を求める。
また,VAE(Variational Auto-Encoder)による予測損失と復元損失を両立させる手法も提案している。
論文 参考訳（メタデータ） (2022-11-22T10:17:42Z) - Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。
本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。
HypADは自己指導で入力信号を再構築する。
論文 参考訳（メタデータ） (2022-11-16T21:31:39Z) - Memory-augmented Adversarial Autoencoders for Multivariate Time-series
Anomaly Detection with Deep Reconstruction and Prediction [4.033624665609417]
本稿では,時系列の非教師付き異常検出手法であるMemAAEを提案する。
2つの補完的プロキシタスク、再構築と予測を共同でトレーニングすることにより、複数のタスクによる異常検出が優れた性能を得ることを示す。
MemAAEは4つの公開データセットで総合F1スコアの0.90を達成し、最高のベースラインである0.02を上回っている。
論文 参考訳（メタデータ） (2021-10-15T18:29:05Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-08T14:07:55Z) - SALAD: Self-Adaptive Lightweight Anomaly Detection for Real-time
Recurrent Time Series [1.0437764544103274]
本稿では,Long Short-Term Memory(LSTM)と呼ばれる特殊タイプのリカレントニューラルネットワークに基づく自己適応型軽量異常検出手法であるSALADを紹介する。
2つの実世界のオープンソース時系列データセットに基づく実験により、SALADは他の5つの最先端の異常検出アプローチよりも精度が高いことが示された。
さらに、結果はSALADが軽量であり、コモディティマシンにデプロイできることも示しています。
論文 参考訳（メタデータ） (2021-04-19T10:36:23Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - NVAE-GAN Based Approach for Unsupervised Time Series Anomaly Detection [19.726089445453734]
時系列異常検出は、多くの業界で一般的だが難しい課題である。
実世界から収集されたノイズデータから,時系列の異常を高精度に検出することは困難である。
我々は異常検出モデルを提案する:時系列から画像VAE (T2IVAE)
論文 参考訳（メタデータ） (2021-01-08T08:35:15Z) - 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)
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。