論文の概要: Quantile LSTM: A Robust LSTM for Anomaly Detection In Time Series Data

• arxiv url: http://arxiv.org/abs/2302.08712v1
• Date: Fri, 17 Feb 2023 06:03:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-20 15:38:50.214320
• Title: Quantile LSTM: A Robust LSTM for Anomaly Detection In Time Series Data
• Title（参考訳）: Quantile LSTM:時系列データにおける異常検出のためのロバストLSTM
• Authors: Snehanshu Saha, Jyotirmoy Sarkar, Soma Dhavala, Santonu Sarkar, Preyank Mota
• Abstract要約: 我々は、時間的長期依存性をモデル化するために、人気のあるLong Short Term Memory Network (LSTM) アーキテクチャで新しい学習可能なアクティベーション関数を使用する。 提案アルゴリズムは、分離フォレスト(iForest)、楕円エンベロープ、オートエンコーダ、およびDeep Autoencoding Gaussian Mixture Model (DAGMM)、Generative Adversarial Networks (GAN)のような現代のディープラーニングモデルなど、他のよく知られた異常検出アルゴリズムと比較される。 このアルゴリズムは、Yahoo、AWS、GE、マシンセンサーなど、複数の産業時系列データセットでテストされている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomalies refer to the departure of systems and devices from their normal behaviour in standard operating conditions. An anomaly in an industrial device can indicate an upcoming failure, often in the temporal direction. In this paper, we make two contributions: 1) we estimate conditional quantiles and consider three different ways to define anomalies based on the estimated quantiles. 2) we use a new learnable activation function in the popular Long Short Term Memory networks (LSTM) architecture to model temporal long-range dependency. In particular, we propose Parametric Elliot Function (PEF) as an activation function (AF) inside LSTM, which saturates lately compared to sigmoid and tanh. The proposed algorithms are compared with other well-known anomaly detection algorithms, such as Isolation Forest (iForest), Elliptic Envelope, Autoencoder, and modern Deep Learning models such as Deep Autoencoding Gaussian Mixture Model (DAGMM), Generative Adversarial Networks (GAN). The algorithms are evaluated in terms of various performance metrics, such as Precision and Recall. The algorithms have been tested on multiple industrial time-series datasets such as Yahoo, AWS, GE, and machine sensors. We have found that the LSTM-based quantile algorithms are very effective and outperformed the existing algorithms in identifying anomalies.
• Abstract（参考訳）: 異常 (Anomalies) とは、標準的な動作条件下での正常な動作からシステムやデバイスを離脱することを指す。 工業機器の異常は、しばしば時間方向において、今後の故障を示す可能性がある。 この論文では2つの貢献をします 1) 条件付き量子化を推定し, 推定された量子化に基づいて異常を3つの異なる方法で定義する。 2) 一般的なLong Short Term Memory Network (LSTM) アーキテクチャでは,時間的長期依存性をモデル化するために,新たな学習可能なアクティベーション関数を使用する。 特に,LSTM内の活性化関数 (AF) としてParametric Elliot Function (PEF) を提案する。 提案アルゴリズムは、分離フォレスト(iForest)、楕円エンベロープ、オートエンコーダ、およびDeep Autoencoding Gaussian Mixture Model (DAGMM)、Generative Adversarial Networks (GAN)のような現代のディープラーニングモデルなど、他のよく知られた異常検出アルゴリズムと比較される。 アルゴリズムは、精度やリコールなど、さまざまなパフォーマンス指標の観点から評価される。 このアルゴリズムは、Yahoo、AWS、GE、マシンセンサーなど、複数の産業時系列データセットでテストされている。 LSTMに基づく量子化アルゴリズムは非常に有効であり,異常を同定するアルゴリズムよりも優れていた。

関連論文リスト

• A Bi-LSTM Autoencoder Framework for Anomaly Detection -- A Case Study of a Wind Power Dataset [2.094022863940315]
  異常(英: Anomalies)とは、通常および同質の事象から逸脱するデータポイントまたはイベントを指す。 本研究では,Bi-LSTMアーキテクチャとAutoencoderを組み合わせた時系列異常検出フレームワークを提案する。 Bi-LSTM Autoencoderモデルは96.79%の分類精度を達成し、より一般的なLSTM Autoencoderモデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-03-17T00:24:28Z)
• BSSAD: Towards A Novel Bayesian State-Space Approach for Anomaly Detection in Multivariate Time Series [0.0]
  ベイジアン状態空間異常検出(BSSAD)と呼ばれる新しい,革新的な異常検出手法を提案する。 提案手法の設計は,ベイズ状態空間アルゴリズムの次の状態予測における強みと,繰り返しニューラルネットワークとオートエンコーダの有効性を組み合わせたものである。 特に,粒子フィルタとアンサンブルカルマンフィルタのベイズ状態空間モデルの利用に着目する。
  論文  参考訳（メタデータ） (2023-01-30T16:21:18Z)
• 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)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Anomaly Rule Detection in Sequence Data [2.3757190901941736]
  本稿では,一組のシーケンスからユーティリティを意識した外部規則の発見を可能にする,DUOSと呼ばれる新しい異常検出フレームワークを提案する。 本研究では,集団の異常性と実用性を両立させ,ユーティリティ・アウェア・アウトリー・ルール(UOSR)の概念を導入する。
  論文  参考訳（メタデータ） (2021-11-29T23:52:31Z)
• 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)
• Unsupervised Deep Anomaly Detection for Multi-Sensor Time-Series Signals [10.866594993485226]
  本稿では,Deep Convolutional Autoencoding Memory Network (CAE-M) という,ディープラーニングに基づく新しい異常検出アルゴリズムを提案する。 我々はまず,最大平均離散値(MMD)を用いたマルチセンサデータの空間依存性を特徴付けるディープ畳み込みオートエンコーダを構築する。 そして,線形(自己回帰モデル)と非線形予測(注意を伴う大規模LSTM)からなるメモリネットワークを構築し,時系列データから時間依存性を捉える。
  論文  参考訳（メタデータ） (2021-07-27T06:48:20Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
  DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。 深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。 このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
  論文  参考訳（メタデータ） (2020-10-29T08:27:43Z)
• 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。