論文の概要: Multivariate Time Series Anomaly Detection via Dynamic Graph Forecasting
- arxiv url: http://arxiv.org/abs/2302.02051v1
- Date: Sat, 4 Feb 2023 01:27:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-07 20:32:12.722331
- Title: Multivariate Time Series Anomaly Detection via Dynamic Graph Forecasting
- Title（参考訳）: 動的グラフ予測による多変量時系列異常検出
- Authors: Katrina Chen, Mingbin Feng, Tony S. Wirjanto
- Abstract要約: 動的時系列間グラフのリストに基づく時系列異常検出フレームワークDyGraphADを提案する。
中心となる考え方は、シリーズ間関係とシリーズ間時間パターンの正常状態から異常状態へのずれに基づいて異常を検出することである。
実世界のデータセットに関する数値実験により,DyGraphADはベースライン異常検出手法よりも優れた性能を示した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomalies in univariate time series often refer to abnormal values and
deviations from the temporal patterns from majority of historical observations.
In multivariate time series, anomalies also refer to abnormal changes in the
inter-series relationship, such as correlation, over time. Existing studies
have been able to model such inter-series relationships through graph neural
networks. However, most works settle on learning a static graph globally or
within a context window to assist a time series forecasting task or a
reconstruction task, whose objective is not tailored to explicitly detect the
abnormal relationship. Some other works detect anomalies based on
reconstructing or forecasting a list of inter-series graphs, which
inadvertently weakens their power to capture temporal patterns within the data
due to the discrete nature of graphs. In this study, we propose DyGraphAD, a
multivariate time series anomaly detection framework based upon a list of
dynamic inter-series graphs. The core idea is to detect anomalies based on the
deviation of inter-series relationships and intra-series temporal patterns from
normal to anomalous states, by leveraging the evolving nature of the graphs in
order to assist a graph forecasting task and a time series forecasting task
simultaneously. Our numerical experiments on real-world datasets demonstrate
that DyGraphAD has superior performance than baseline anomaly detection
approaches.
- Abstract（参考訳）: 単変量時系列の異常はしばしば、歴史的観測の大多数からの時間的パターンからの異常値と逸脱を指す。
多変量時系列では、異常は時間とともに相関のような系列間の関係の異常な変化を指す。
既存の研究は、グラフニューラルネットワークを通してそのような系列間関係をモデル化することができる。
しかし、ほとんどの作業は、異常な関係を明示的に検出するために調整されていない時系列予測タスクや再構築タスクを支援するために、グローバルまたはコンテキストウィンドウ内で静的グラフを学習することに落ち着く。
他の作品では、時系列グラフのリストの再構築や予測に基づいて異常を検出し、グラフの離散的な性質によってデータ内の時間的パターンをとらえる能力を不注意に弱めている。
本研究では,動的時系列グラフのリストに基づく多変量時系列異常検出フレームワークDyGraphADを提案する。
その中核となる考え方は、グラフ予測タスクと時系列予測タスクを同時に支援するために、グラフの進化する性質を活用することにより、シリーズ間関係とシリーズ内時間パターンの正常状態から異常状態への偏差に基づいて異常を検出することである。
実世界のデータセットに関する数値実験により,DyGraphADはベースライン異常検出手法よりも優れた性能を示した。
関連論文リスト
- Extreme Value Modelling of Feature Residuals for Anomaly Detection in Dynamic Graphs [14.8066991252587]
グラフの時間的シーケンスにおける異常の検出は、トランスポートネットワークにおける事故の検出や、コンピュータネットワークにおけるサイバー攻撃といった分野に適用することができる。
既存の異常グラフ検出方法は、高い偽陽性率や可変サイズのグラフの扱いの難しさ、非自明な時間ダイナミクスなど、複数の制限に悩まされることがある。
そこで本稿では,時間的依存を時系列解析によって時間的依存を明示的にモデル化し,残差を用いて依存を除去する手法を提案する。
論文 参考訳（メタデータ） (2024-10-08T05:00:53Z) - Multivariate Time-Series Anomaly Detection based on Enhancing Graph Attention Networks with Topological Analysis [31.43159668073136]
時系列における教師なし異常検出は、手動による介入の必要性を大幅に低減するため、産業応用において不可欠である。
従来の手法では、グラフニューラルネットワーク(GNN)やトランスフォーマーを使用して空間を解析し、RNNは時間的依存をモデル化していた。
本稿では,TopoGDNと呼ばれる多変量時系列異常検出のための拡張グラフ注意ネットワーク(GAT)上に構築された新しい時間モデルを提案する。
論文 参考訳（メタデータ） (2024-08-23T14:06:30Z) - Inference of Sequential Patterns for Neural Message Passing in Temporal Graphs [0.6562256987706128]
HYPA-DBGNNは、グラフ上の時系列データにおける異常なシーケンシャルパターンの推論を組み合わせた、新しい2段階のアプローチである。
本手法は超幾何グラフアンサンブルを利用して1階グラフと高階グラフの両方において異常なエッジを同定する。
我々の研究は、時間的および因果配列異常を利用した統計的に情報を得たGNNを初めて導入した。
論文 参考訳（メタデータ） (2024-06-24T11:41:12Z) - 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) - Entropy Causal Graphs for Multivariate Time Series Anomaly Detection [7.402342914903391]
本研究では,多変量時系列異常検出のためのエントロピー因果グラフであるCGADを提案する。
CGADは転送エントロピーを利用して時系列データ間の因果関係を明らかにするグラフ構造を構築する。
CGADは、15%の平均的な改善で、実世界のデータセット上で最先端の手法より優れています。
論文 参考訳（メタデータ） (2023-12-15T01:35:00Z) - 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) - Correlation-aware Spatial-Temporal Graph Learning for Multivariate
Time-series Anomaly Detection [67.60791405198063]
時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。
CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。
新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
論文 参考訳（メタデータ） (2023-07-17T11:04:27Z) - Learning the Evolutionary and Multi-scale Graph Structure for
Multivariate Time Series Forecasting [50.901984244738806]
時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。
特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。
最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
論文 参考訳（メタデータ） (2022-06-28T08:11:12Z) - Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。
具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。
そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文 参考訳（メタデータ） (2022-02-17T02:17:31Z) - 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。