論文の概要: Context-aware Domain Adaptation for Time Series Anomaly Detection
- arxiv url: http://arxiv.org/abs/2304.07453v1
- Date: Sat, 15 Apr 2023 02:28:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-18 19:02:29.122463
- Title: Context-aware Domain Adaptation for Time Series Anomaly Detection
- Title（参考訳）: 時系列異常検出のためのコンテキスト対応ドメイン適応
- Authors: Kwei-Herng Lai, Lan Wang, Huiyuan Chen, Kaixiong Zhou, Fei Wang, Hao
Yang, Xia Hu
- Abstract要約: 時系列異常検出は、幅広い現実世界の応用において難しい課題である。
近年,類似分野の知識を活用するため,時系列領域適応への取り組みが進められている。
本研究では,コンテキストサンプリングと異常検出を併用した共同学習手法を提案する。
- 参考スコア（独自算出の注目度）: 69.3488037353497
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series anomaly detection is a challenging task with a wide range of
real-world applications. Due to label sparsity, training a deep anomaly
detector often relies on unsupervised approaches. Recent efforts have been
devoted to time series domain adaptation to leverage knowledge from similar
domains. However, existing solutions may suffer from negative knowledge
transfer on anomalies due to their diversity and sparsity. Motivated by the
empirical study of context alignment between two domains, we aim to transfer
knowledge between two domains via adaptively sampling context information for
two domains. This is challenging because it requires simultaneously modeling
the complex in-domain temporal dependencies and cross-domain correlations while
exploiting label information from the source domain. To this end, we propose a
framework that combines context sampling and anomaly detection into a joint
learning procedure. We formulate context sampling into the Markov decision
process and exploit deep reinforcement learning to optimize the time series
domain adaptation process via context sampling and design a tailored reward
function to generate domain-invariant features that better align two domains
for anomaly detection. Experiments on three public datasets show promise for
knowledge transfer between two similar domains and two entirely different
domains.
- Abstract（参考訳）: 時系列異常検出は、幅広い現実世界の応用において難しい課題である。
ラベルのスパーシティのため、深い異常検出器の訓練はしばしば教師なしのアプローチに依存する。
近年,類似分野の知識を活用するため,時系列領域適応への取り組みが進められている。
しかし、既存の解は、その多様性と疎さにより異常な知識伝達に悩まされる可能性がある。
2つのドメイン間のコンテキストアライメントに関する経験的研究を動機付け,2つのドメインのコンテキスト情報を適応的にサンプリングすることで,2つのドメイン間の知識の伝達を目指す。
これは、ソースドメインからラベル情報を活用しながら、複雑なドメイン内時間依存とドメイン間相関を同時にモデル化する必要があるため、難しい。
そこで本研究では,コンテキストサンプリングと異常検出を組み合わせた共同学習手法を提案する。
我々は、マルコフ決定プロセスにコンテキストサンプリングを定式化し、文脈サンプリングによる時系列ドメイン適応プロセスを最適化するために深層強化学習を利用する。
3つの公開データセットの実験では、2つの類似したドメインと2つの全く異なるドメイン間の知識伝達が約束されている。
関連論文リスト
- A Pairwise DomMix Attentive Adversarial Network for Unsupervised Domain Adaptive Object Detection [18.67853854539245]
教師なしドメイン適応オブジェクト検出(DAOD)は、ソースドメインでトレーニングされたモデルを未ラベルのターゲットドメインに適応させ、オブジェクト検出を行う。
本稿では,上記の課題を軽減するために,Domain Mixup (DomMix) モジュールを用いた対角対向ネットワークを提案する。
論文 参考訳（メタデータ） (2024-07-03T06:25:20Z) - Contrastive Domain Adaptation for Time-Series via Temporal Mixup [14.723714504015483]
時系列データのための新しい軽量コントラスト型ドメイン適応フレームワークであるCoTMixを提案する。
具体的には、ソースとターゲットドメインに対する2つの中間的な拡張ビューを生成するための、新しい時間混合戦略を提案する。
我々のアプローチは、最先端のUDAメソッドを著しく上回ります。
論文 参考訳（メタデータ） (2022-12-03T06:53:38Z) - Joint Attention-Driven Domain Fusion and Noise-Tolerant Learning for
Multi-Source Domain Adaptation [2.734665397040629]
マルチソースUnsupervised Domain Adaptationはラベル付きデータを持つ複数のソースドメインからラベル付きターゲットドメインに知識を転送する。
異なるドメインとターゲットドメイン内のノイズの多い擬似ラベル間の分散の相違は、どちらもパフォーマンスのボトルネックにつながる。
本稿では,意識駆動型ドメイン融合(ADNT)と雑音耐性学習(ADNT)を統合し,上記の2つの問題に対処するアプローチを提案する。
論文 参考訳（メタデータ） (2022-08-05T01:08:41Z) - A cross-domain recommender system using deep coupled autoencoders [77.86290991564829]
クロスドメインレコメンデーションのために2つの新しい結合型オートエンコーダに基づくディープラーニング手法を提案する。
最初の方法は、ソースドメインとターゲットドメイン内のアイテムの固有表現を明らかにするために、一対のオートエンコーダを同時に学習することを目的としている。
第2の方法は,2つのオートエンコーダを用いてユーザとアイテム待ち行列を深く非線形に生成する,新たな共同正規化最適化問題に基づいて導出する。
論文 参考訳（メタデータ） (2021-12-08T15:14:26Z) - Coarse to Fine: Domain Adaptive Crowd Counting via Adversarial Scoring
Network [58.05473757538834]
本稿では,ドメイン間のギャップを粗い粒度から細かな粒度に埋める新しい逆スコアリングネットワーク (ASNet) を提案する。
3組のマイグレーション実験により,提案手法が最先端のカウント性能を実現することを示す。
論文 参考訳（メタデータ） (2021-07-27T14:47:24Z) - AFAN: Augmented Feature Alignment Network for Cross-Domain Object
Detection [90.18752912204778]
オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。
本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。
提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
論文 参考訳（メタデータ） (2021-06-10T05:01:20Z) - Cross-domain Imitation from Observations [50.669343548588294]
模擬学習は、専門家の行動を利用して訓練エージェントに適切な報酬関数を設計することの難しさを回避しようとする。
本稿では,専門家とエージェントMDPの相違点が存在する場合に,タスクを模倣する方法の問題について検討する。
このようなドメイン間の対応を学習するための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-05-20T21:08:25Z) - Domain Conditioned Adaptation Network [90.63261870610211]
本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。
これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
論文 参考訳（メタデータ） (2020-05-14T04:23:24Z) - Dual Adversarial Domain Adaptation [6.69797982848003]
教師なしドメイン適応は、ラベル付きソースドメインからラベルなしターゲットドメインへの知識の転送を目的としている。
近年の研究では、判別器が両方のドメインにドメイン情報を備えている場合、複雑なマルチモーダル情報を保存できることが示されている。
ドメインレベルのアライメントとクラスレベルのアライメントを同時に行うために,2Kドル分の出力を持つ判別器を単一識別器に適用する。
論文 参考訳（メタデータ） (2020-01-01T07:10:09Z)
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。