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
- Spatial-temporal Memories Enhanced Graph Autoencoder for Anomaly Detection in Dynamic Graphs [52.956235109354175]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。
空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。
STRIPEは、動的グラフの異なる空間的・時間的ダイナミクスを効果的に活用することにより、異常を識別する優れた能力を示した。
論文 参考訳(メタデータ) (2024-03-14T02:26:10Z) - 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 [57.75766902905591]
時系列異常検出(TAD)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) - Temporal Graph Neural Networks for Irregular Data [14.653008985229615]
TGNN4Iモデルは、不規則な時間ステップとグラフの部分的な観察の両方を扱うように設計されている。
時間連続力学により、任意の時間ステップでモデルを予測できる。
交通・気候モデルによるシミュレーションデータと実世界のデータの実験は、グラフ構造と時間連続力学の両方の有用性を検証する。
論文 参考訳(メタデータ) (2023-02-16T16:47:55Z) - 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) - HIFI: Anomaly Detection for Multivariate Time Series with High-order
Feature Interactions [7.016615391171876]
HIFIは自動的に多変量特徴相互作用グラフを構築し、グラフ畳み込みニューラルネットワークを使用して高次特徴相互作用を実現する。
3つの公開データセットの実験は、最先端のアプローチと比較して、我々のフレームワークの優位性を示している。
論文 参考訳(メタデータ) (2021-06-11T04:57:03Z) - Learning to Generate Time Series Conditioned Graphs with Generative
Adversarial Nets [9.884477413012815]
我々は、時系列グラフ生成と呼ばれる新しい問題に興味を持っている:入力時系列が与えられたら、ターゲット関係グラフを推論することを目指している。
そこで我々は,新しい時系列条件付きグラフ生成・生成Adrial Networks (TSGGGAN)を提案する。
合成および実単語遺伝子制御ネットワークデータセットの広範な実験は、提案したTSGG-GANの有効性と一般化性を実証している。
論文 参考訳(メタデータ) (2020-03-03T10:41:56Z)
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。