論文の概要: Graph-based Time-Series Anomaly Detection: A Survey and Outlook

• arxiv url: http://arxiv.org/abs/2302.00058v3
• Date: Sat, 17 Feb 2024 01:12:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-21 07:20:58.846501
• Title: Graph-based Time-Series Anomaly Detection: A Survey and Outlook
• Title（参考訳）: グラフに基づく時系列異常検出:調査と展望
• Authors: Thi Kieu Khanh Ho, Ali Karami, Narges Armanfard
• Abstract要約: 時系列異常検出(TSAD)は、eコマース、サイバーセキュリティ、車両メンテナンス、医療監視など、さまざまな時系列アプリケーションにおいて重要なタスクである。 最近のグラフベースのアプローチは、この分野の課題に取り組む上で、驚くべき進歩を遂げている。
• 参考スコア（独自算出の注目度）: 8.010966370223985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the recent advances in technology, a wide range of systems continue to collect a large amount of data over time and thus generate time series. Time-Series Anomaly Detection (TSAD) is an important task in various time-series applications such as e-commerce, cybersecurity, vehicle maintenance, and healthcare monitoring. However, this task is very challenging as it requires considering both the intra-variable dependency and the inter-variable dependency, where a variable can be defined as an observation in time series data. Recent graph-based approaches have made impressive progress in tackling the challenges of this field. In this survey, we conduct a comprehensive and up-to-date review of Graph-based TSAD (G-TSAD). First, we explore the significant potential of graph representation learning for time-series data. Then, we review state-of-the-art graph anomaly detection techniques in the context of time series and discuss their strengths and drawbacks. Finally, we discuss the technical challenges and potential future directions for possible improvements in this research field.
• Abstract（参考訳）: 近年の技術の進歩により、広範囲のシステムが時間とともに大量のデータを収集し続け、時系列を生成するようになった。 時系列異常検出(TSAD)は、eコマース、サイバーセキュリティ、車両メンテナンス、医療監視など、さまざまな時系列アプリケーションにおいて重要なタスクである。 しかし、変数を時系列データの観察として定義できる変数内依存性と変数間依存関係の両方を考慮する必要があるため、このタスクは非常に難しい。 最近のグラフベースのアプローチは、この分野の課題に取り組む上で素晴らしい進歩を遂げています。 本稿では,グラフベースのTSAD(G-TSAD)の総合的かつ最新のレビューを行う。 まず,時系列データに対するグラフ表現学習の可能性を検討する。 次に,時系列の文脈における最先端グラフ異常検出手法について検討し,その強度と欠点について考察する。 最後に,本研究分野における技術的課題と今後の展望について考察する。

関連論文リスト

• See it, Think it, Sorted: Large Multimodal Models are Few-shot Time Series Anomaly Analyzers [23.701716999879636]
  時系列データの急激な増加に伴い,時系列異常検出(TSAD)はますます重要になりつつある。 本稿では,TMA(Time Series Anomaly Multimodal Analyzer)と呼ばれる先駆的なフレームワークを導入し,異常の検出と解釈を両立させる。
  論文  参考訳（メタデータ） (2024-11-04T10:28:41Z)
• Deep Graph Anomaly Detection: A Survey and New Perspectives [86.84201183954016]
  グラフ異常検出(GAD)は、異常なグラフインスタンス(ノード、エッジ、サブグラフ、グラフ)を特定することを目的とする。 ディープラーニングアプローチ、特にグラフニューラルネットワーク(GNN)は、GADにとって有望なパラダイムとして現れています。
  論文  参考訳（メタデータ） (2024-09-16T03:05:11Z)
• Long Range Propagation on Continuous-Time Dynamic Graphs [18.5534584418248]
  Continuous-Time Graph Anti-Symmetric Network (CTAN) は情報伝達の効率化を目的としている。 合成長範囲ベンチマークと実世界のベンチマークにおけるCTANの実証的性能は他の方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-06-04T19:42:19Z)
• Continual Learning on Graphs: Challenges, Solutions, and Opportunities [72.7886669278433]
  本稿では,既存の連続グラフ学習(CGL)アルゴリズムの総合的なレビューを行う。 従来の連続学習手法と比較し,従来の連続学習手法の適用性を分析した。 アクセス可能なアルゴリズムの包括的なリストを含む、最新のリポジトリを維持します。
  論文  参考訳（メタデータ） (2024-02-18T12:24:45Z)
• 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)
• A Survey of Time Series Anomaly Detection Methods in the AIOps Domain [16.92261613814882]
  インターネットベースのサービスは目覚ましい成功を収め、キーパフォーマンス指標(KPI)を大量に生成している。 このレビューは、AIOps(AI Ops for IT Operation)における時系列異常検出の総合的な概要を提供する。 近年の進歩に基づいて,実世界と次世代の時系列異常検出の今後の方向性を探究する。
  論文  参考訳（メタデータ） (2023-08-01T09:13:57Z)
• Few-Shot Learning on Graphs: A Survey [92.47605211946149]
  グラフ表現学習は多くの実世界のアプリケーションで顕著な性能を持つため、大きな注目を集めている。 特定のタスクに対する半教師付きグラフ表現学習モデルは、しばしばラベル空間の問題に悩まされる。 限定的なアノテートデータ問題に直面するパフォーマンス劣化に対処するために,FSLG (Few-shot Learning on graphs) が提案されている。
  論文  参考訳（メタデータ） (2022-03-17T13:21:11Z)
• Data Augmentation for Deep Graph Learning: A Survey [66.04015540536027]
  まず,グラフデータ拡張のための分類法を提案し,その拡張情報モダリティに基づいて関連研究を分類し,構造化されたレビューを提供する。 DGLにおける2つの課題(すなわち、最適グラフ学習と低リソースグラフ学習)に焦点を当て、グラフデータ拡張に基づく既存の学習パラダイムについて議論し、レビューする。
  論文  参考訳（メタデータ） (2022-02-16T18:30:33Z)
• Networked Time Series Prediction with Incomplete Data [59.45358694862176]
  我々は、歴史と未来の両方で欠落した値を持つ不完全なデータでトレーニングできる新しいディープラーニングフレームワークであるNetS-ImpGANを提案する。 3つの実世界のデータセットに対して、異なるパターンと欠落率で広範な実験を行う。
  論文  参考訳（メタデータ） (2021-10-05T18:20:42Z)
• A review on outlier/anomaly detection in time series data [0.4129225533930965]
  本研究の目的は,時系列の文脈において,外乱検出技術に関する構造化された総合的な技術を提供することである。 この目的のために、外乱検出技術の特徴を特徴づける主な側面に基づいて分類を提示する。
  論文  参考訳（メタデータ） (2020-02-11T07:25:45Z)

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。