論文の概要: TSI-GAN: Unsupervised Time Series Anomaly Detection using Convolutional
Cycle-Consistent Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2303.12952v1
- Date: Wed, 22 Mar 2023 23:24:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-24 16:20:43.907383
- Title: TSI-GAN: Unsupervised Time Series Anomaly Detection using Convolutional
Cycle-Consistent Generative Adversarial Networks
- Title（参考訳）: TSI-GAN: Convolutional Cycle-Consistent Generative Adversarial Networks を用いた教師なし時系列異常検出
- Authors: Shyam Sundar Saravanan, Tie Luo, and Mao Van Ngo
- Abstract要約: 異常検出は、ネットワーク侵入検知、自律運転、診断、クレジットカード詐欺などに広く用いられている。
本稿では、複雑な時間パターンを自動的に学習できる時系列の教師なし異常検出モデルであるTSI-GANを提案する。
提案手法は,250個の高度・厳密なデータセットを用いてTSI-GANを評価し,最先端の8つのベースライン手法と比較した。
- 参考スコア（独自算出の注目度）: 2.4469484645516837
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomaly detection is widely used in network intrusion detection, autonomous
driving, medical diagnosis, credit card frauds, etc. However, several key
challenges remain open, such as lack of ground truth labels, presence of
complex temporal patterns, and generalizing over different datasets. This paper
proposes TSI-GAN, an unsupervised anomaly detection model for time-series that
can learn complex temporal patterns automatically and generalize well, i.e., no
need for choosing dataset-specific parameters, making statistical assumptions
about underlying data, or changing model architectures. To achieve these goals,
we convert each input time-series into a sequence of 2D images using two
encoding techniques with the intent of capturing temporal patterns and various
types of deviance. Moreover, we design a reconstructive GAN that uses
convolutional layers in an encoder-decoder network and employs
cycle-consistency loss during training to ensure that inverse mappings are
accurate as well. In addition, we also instrument a Hodrick-Prescott filter in
post-processing to mitigate false positives. We evaluate TSI-GAN using 250
well-curated and harder-than-usual datasets and compare with 8 state-of-the-art
baseline methods. The results demonstrate the superiority of TSI-GAN to all the
baselines, offering an overall performance improvement of 13% and 31% over the
second-best performer MERLIN and the third-best performer LSTM-AE,
respectively.
- Abstract（参考訳）: 異常検出は、ネットワーク侵入検出、自動運転、医療診断、クレジットカード詐欺などに広く使われている。
しかし、基底の真理ラベルの欠如、複雑な時間パターンの存在、異なるデータセットの一般化など、いくつかの重要な課題が残っている。
本稿では,時系列の非教師なし異常検出モデルであるtsi-ganを提案する。これは複雑な時相パターンを自動的に学習し,データセット固有のパラメータの選択や,基礎となるデータに関する統計的仮定,モデルアーキテクチャの変更などを行う必要がない。
これらの目的を達成するために、各入力時系列を2つの符号化手法を用いて2次元画像のシーケンスに変換する。
さらに,エンコーダ・デコーダネットワークにおける畳み込み層を用いた再構成GANを設計し,トレーニング中にサイクル整合性損失を用いて逆写像の精度も保証する。
さらに,偽陽性を緩和するために,後処理のHodrick-Prescottフィルタも実装する。
提案手法は,250個の高度・厳密なデータセットを用いてTSI-GANを評価し,最先端の8つのベースライン手法と比較した。
その結果,全ベースラインに対するtsi-ganの優位性が示され,第2位のmerlinと第3位のlstm-aeと比較して,全体のパフォーマンスが13%,31%向上した。
関連論文リスト
- ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。
ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。
各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
論文 参考訳（メタデータ） (2024-05-27T02:42:33Z) - Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。
本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
論文 参考訳（メタデータ） (2024-01-06T07:30:41Z) - Unraveling the "Anomaly" in Time Series Anomaly Detection: A
Self-supervised Tri-domain Solution [89.16750999704969]
異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。
自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。
自己教師型3領域異常検出器(TriAD)を提案する。
論文 参考訳（メタデータ） (2023-11-19T05:37:18Z) - MADS: Modulated Auto-Decoding SIREN for time series imputation [9.673093148930874]
我々は,暗黙のニューラル表現に基づく時系列計算のための新しい自動デコードフレームワークMADSを提案する。
実世界の2つのデータセット上で本モデルを評価し,時系列計算における最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-07-03T09:08:47Z) - 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) - Tripletformer for Probabilistic Interpolation of Irregularly sampled
Time Series [6.579888565581481]
本稿では,不規則なサンプル時間列の確率的推定のために,"Tripletformer"と呼ばれる新しいエンコーダデコーダアーキテクチャを提案する。
この注意に基づくモデルは、各要素が三重時間、チャネル、および値からなる観測セットで動作する。
その結果,実世界のデータセットでは最大32%,合成データセットでは85%の負の対数誤差が改善された。
論文 参考訳（メタデータ） (2022-10-05T08:31:05Z) - Imputing Missing Observations with Time Sliced Synthetic Minority
Oversampling Technique [0.3973560285628012]
本稿では,データセット内の各サンプルに対して均一な不規則な時系列を構成することを目的とした,単純かつ斬新な時系列計算手法を提案する。
我々は、観測時間の重複しないビン(「スライス」と呼ばれる)の中間点で定義される格子を固定し、各サンプルが所定の時間にすべての特徴に対して値を持つことを保証する。
これにより、完全に欠落した観察をインプットし、データ全体の時系列の均一な分類を可能にし、特別な場合には個々の欠落した特徴をインプットすることができる。
論文 参考訳（メタデータ） (2022-01-14T19:23:24Z) - 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) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z) - NVAE-GAN Based Approach for Unsupervised Time Series Anomaly Detection [19.726089445453734]
時系列異常検出は、多くの業界で一般的だが難しい課題である。
実世界から収集されたノイズデータから,時系列の異常を高精度に検出することは困難である。
我々は異常検出モデルを提案する:時系列から画像VAE (T2IVAE)
論文 参考訳（メタデータ） (2021-01-08T08:35:15Z) - 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。