論文の概要: Time series anomaly detection with sequence reconstruction based
state-space model
- arxiv url: http://arxiv.org/abs/2303.03324v1
- Date: Mon, 6 Mar 2023 17:52:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-07 15:12:04.016907
- Title: Time series anomaly detection with sequence reconstruction based
state-space model
- Title(参考訳): シーケンス再構成に基づく状態空間モデルを用いた時系列異常検出
- Authors: Fan Wang, Keli Wang, Boyu Yao
- Abstract要約: 本稿では,時系列データに対する新しい教師なし異常検出手法を提案する。
提案手法では,シーケンスエンコーダとデコーダを用いて時系列と隠れ状態のマッピングを行う。
合成および実世界のデータセットの結果は,提案手法の優位性を示している。
- 参考スコア(独自算出の注目度): 8.542607519032261
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recent advances in digitization has led to availability of multivariate time
series data in various domains, in order to monitor operations in real time.
Identifying abnormal data pattern and detect potential failures in these
scenarios are important yet rather difficult tasks. We propose a novel
unsupervised anomaly detection method for time series data. Our approach uses
sequence encoder and decoder to represent the mapping between time series and
hidden state, and learns bidirectional dynamics simultaneously by leveraging
backward and forward temporal information in the training process. We further
regularize the state space to place constraints on states of normal samples,
and use Mahalanobis distance to evaluate abnormality level. Results on
synthetic and real-world datasets show the superiority of the proposed method.
- Abstract(参考訳): 近年のデジタル化の進展により、リアルタイムに操作を監視するため、様々な領域で多変量時系列データが利用できるようになった。
これらのシナリオで異常なデータパターンを特定し、潜在的な障害を検出することは、非常に難しい作業である。
時系列データに対する新しい教師なし異常検出手法を提案する。
提案手法では,シーケンスエンコーダとデコーダを用いて時系列と隠れ状態のマッピングを表現し,トレーニングプロセスの前後時間情報を利用して双方向のダイナミクスを同時に学習する。
さらに,正常試料の状態に制約を課すための状態空間を定式化し,マハラノビス距離を用いて異常度を評価する。
合成および実世界のデータセットの結果は,提案手法の優位性を示している。
関連論文リスト
- USD: Unsupervised Soft Contrastive Learning for Fault Detection in Multivariate Time Series [6.055410677780381]
本研究では,データ拡張とソフトコントラスト学習の組み合わせを導入し,より正確に状態行動の多面的特性を捉えることを目的としている。
この二重戦略は、正常な状態と異常な状態を区別するモデルの能力を著しく向上させ、複数のデータセットと設定で障害検出性能が著しく向上する。
論文 参考訳(メタデータ) (2024-05-25T14:48:04Z) - 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) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳(メタデータ) (2023-11-27T13:14:06Z) - Explainable Time Series Anomaly Detection using Masked Latent Generative Modeling [1.3927943269211591]
本稿では,新しい時系列異常検出法であるTimeVQVAE-ADを提案する。
TimeVQVAE-ADは、優れた説明性を提供しながら、優れた検出精度を実現する。
私たちはGitHubに実装を提供しています。
論文 参考訳(メタデータ) (2023-11-21T11:59:16Z) - Reasonable Anomaly Detection in Long Sequences [3.673497128866642]
本稿では,オブジェクトの動作パターンを長期的シーケンスから学習することで,完全に表現することを提案する。
長期観測において一貫した時間依存性を表現するために,スタック状態マシン(SSM)モデルを提案する。
論文 参考訳(メタデータ) (2023-09-06T23:35:55Z) - 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) - Prototypes as Explanation for Time Series Anomaly Detection [6.051581987453758]
本稿では,プロトタイプを例として,異常検出時の正規パターンの状態の説明として用いたProtoADを提案する。
潜在空間と入力空間のプロトタイプの両方を可視化することにより、正規データがどのようにモデル化され、なぜ特定のパターンが異常であると考えられるのかを直感的に示す。
論文 参考訳(メタデータ) (2023-07-04T09:40:30Z) - Spatio-temporal predictive tasks for abnormal event detection in videos [60.02503434201552]
オブジェクトレベルの正規化パターンを学習するための制約付きプレテキストタスクを提案する。
我々のアプローチは、ダウンスケールの視覚的クエリとそれに対応する正常な外観と運動特性のマッピングを学習することである。
いくつかのベンチマークデータセットの実験では、異常の局所化と追跡のためのアプローチの有効性が示されている。
論文 参考訳(メタデータ) (2022-10-27T19:45:12Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳(メタデータ) (2022-06-30T06:00:13Z) - Object-centric and memory-guided normality reconstruction for video
anomaly detection [56.64792194894702]
本稿では,ビデオ監視における異常検出問題に対処する。
異常事象の固有な規則性と不均一性のため、問題は正規性モデリング戦略と見なされる。
我々のモデルは、トレーニング中に異常なサンプルを見ることなく、オブジェクト中心の正規パターンを学習する。
論文 参考訳(メタデータ) (2022-03-07T19:28:39Z)
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。