論文の概要: Impact of Deep Learning Libraries on Online Adaptive Lightweight Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2305.00595v2
• Date: Wed, 10 May 2023 08:53:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-11 16:10:45.477612
• Title: Impact of Deep Learning Libraries on Online Adaptive Lightweight Time Series Anomaly Detection
• Title（参考訳）: オンライン適応軽量時系列異常検出におけるディープラーニングライブラリの影響
• Authors: Ming-Chang Lee and Jia-Chun Lin
• Abstract要約: ディープラーニングライブラリが異常検出アプローチにどのように影響するかは不明だ。 我々は3つのよく知られたディープラーニングライブラリに2つの最先端の異常検出アプローチを実装した。 その結果、オンライン適応型軽量異常検出のための適切なディープラーニングライブラリを選択するための良い参考となる。
• 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: Providing online adaptive lightweight time series anomaly detection without human intervention and domain knowledge is highly valuable. Several such anomaly detection approaches have been introduced in the past years, but all of them were only implemented in one deep learning library. With the development of deep learning libraries, it is unclear how different deep learning libraries impact these anomaly detection approaches since there is no such evaluation available. Randomly choosing a deep learning library to implement an anomaly detection approach might not be able to show the true performance of the approach. It might also mislead users in believing one approach is better than another. Therefore, in this paper, we investigate the impact of deep learning libraries on online adaptive lightweight time series anomaly detection by implementing two state-of-the-art anomaly detection approaches in three well-known deep learning libraries and evaluating how these two approaches are individually affected by the three deep learning libraries. A series of experiments based on four real-world open-source time series datasets were conducted. The results provide a good reference to select an appropriate deep learning library for online adaptive lightweight anomaly detection.
• Abstract（参考訳）: 人間の介入やドメイン知識なしに、オンライン適応型軽量時系列異常検出を提供することは、非常に貴重である。 近年,このような異常検出手法がいくつか導入されているが,これらはすべて1つのディープラーニングライブラリに実装されている。 ディープラーニングライブラリの開発により、このような評価が得られないので、ディープラーニングライブラリがこれらの異常検出アプローチに与える影響は明らかでない。 異常検出アプローチを実装するためにディープラーニングライブラリをランダムに選択することは、そのアプローチの真のパフォーマンスを示すことができないかもしれない。 また、あるアプローチが他のアプローチより優れていると信じているユーザーを誤解させる可能性がある。 そこで本稿では, ディープラーニングライブラリがオンライン適応型軽量時系列異常検出に与える影響を, 3つのよく知られたディープラーニングライブラリに2つの最先端異常検出アプローチを実装し, これら2つのアプローチが3つのディープラーニングライブラリによって個別に影響を受けるかを評価する。 4つの実世界のオープンソース時系列データセットに基づく一連の実験を行った。 その結果,オンライン適応型軽量異常検出のための適切な深層学習ライブラリを選択するための参考となる。

関連論文リスト

• Impact of Recurrent Neural Networks and Deep Learning Frameworks on Real-time Lightweight Time Series Anomaly Detection [0.0]
  様々なディープラーニングフレームワークで利用可能な異なるタイプのRNNが、これらの異常検出手法の性能にどのように影響するかは不明だ。 我々は、いくつかの最先端手法をレビューし、よく知られたRNN変種を用いた代表的異常検出手法を実装した。 次に、実世界のオープンソース時系列データセットにまたがる各実装のパフォーマンスを分析するために、包括的な評価を行う。
  論文  参考訳（メタデータ） (2024-07-26T00:38:51Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
  本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• Can Tree Based Approaches Surpass Deep Learning in Anomaly Detection? A Benchmarking Study [0.6291443816903801]
  本稿では,機械学習に基づく異常検出アルゴリズムの多種多様さを評価する。 本論文は, 種々の異常検出アルゴリズムの非バイアス比較を行うことにより, 顕著に寄与する。
  論文  参考訳（メタデータ） (2024-02-11T19:12:51Z)
• 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)
• Active anomaly detection based on deep one-class classification [9.904380236739398]
  我々は,Deep SVDDにおけるアクティブラーニングの2つの重要な課題,すなわちクエリ戦略と半教師付きラーニング手法に対処する。 まず、単に異常を識別するのではなく、適応境界に従って不確実なサンプルを選択する。 第2に、ラベル付き正規データと異常データの両方を効果的に組み込むために、一級分類モデルの訓練にノイズコントラスト推定を適用した。
  論文  参考訳（メタデータ） (2023-09-18T03:56:45Z)
• tegdet: An extensible Python Library for Anomaly Detection using Time-Evolving Graphs [0.5156484100374059]
  本稿では,教師なし学習における異常検出のためのPythonライブラリを提案する。 このライブラリは28の異なる異種のメトリクスを実装しており、新しいメトリクスで簡単に拡張できるように設計されている。 本実験では,アルゴリズムの実行時間と実装手法の精度について有望な結果を示す。
  論文  参考訳（メタデータ） (2022-10-17T08:43:48Z)
• Anomaly Detection in Cybersecurity: Unsupervised, Graph-Based and Supervised Learning Methods in Adversarial Environments [63.942632088208505]
  現在の運用環境に固有ののは、敵対的機械学習の実践である。 本研究では,教師なし学習とグラフに基づく異常検出の可能性を検討する。 我々は,教師付きモデルの訓練時に,現実的な対人訓練機構を組み込んで,対人環境における強力な分類性能を実現する。
  論文  参考訳（メタデータ） (2021-05-14T10:05:10Z)
• Meta-learning One-class Classifiers with Eigenvalue Solvers for Supervised Anomaly Detection [55.888835686183995]
  教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。 提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
  論文  参考訳（メタデータ） (2021-03-01T01:43:04Z)
• ARCADe: A Rapid Continual Anomaly Detector [25.34227775187408]
  連続異常検出(CAD)の新しい学習問題に対処する。 ニューラルネットをトレーニングするアプローチであるARCADeを提案する。 3つのデータセットを用いた実験の結果、ARCADeは連続学習と異常検出の文献からベースラインを大幅に上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-08-10T11:59:32Z)
• Discovering Reinforcement Learning Algorithms [53.72358280495428]
  強化学習アルゴリズムは、いくつかのルールの1つに従ってエージェントのパラメータを更新する。 本稿では,更新ルール全体を検出するメタラーニング手法を提案する。 これには、一連の環境と対話することで、"何を予測するか"(例えば、値関数)と"どのように学習するか"の両方が含まれている。
  論文  参考訳（メタデータ） (2020-07-17T07:38:39Z)
• Bayesian active learning for production, a systematic study and a reusable library [85.32971950095742]
  本稿では,現在のアクティブラーニング技術の主な欠点について分析する。 実世界のデータセットの最も一般的な課題が深層能動学習プロセスに与える影響について,系統的研究を行った。 部分的不確実性サンプリングやより大きいクエリサイズといった,アクティブな学習ループを高速化する2つの手法を導出する。
  論文  参考訳（メタデータ） (2020-06-17T14:51:11Z)

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。