論文の概要: AnomalyBERT: Self-Supervised Transformer for Time Series Anomaly
Detection using Data Degradation Scheme
- arxiv url: http://arxiv.org/abs/2305.04468v1
- Date: Mon, 8 May 2023 05:42:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-09 15:35:16.578274
- Title: AnomalyBERT: Self-Supervised Transformer for Time Series Anomaly
Detection using Data Degradation Scheme
- Title（参考訳）: AnomalyBERT:データ劣化方式を用いた時系列異常検出用自己監督変換器
- Authors: Yungi Jeong, Eunseok Yang, Jung Hyun Ryu, Imseong Park, Myungjoo Kang
- Abstract要約: 時系列、特にラベルなしデータに対する異常検出タスクは、難しい問題である。
自己教師型モデルトレーニングに適切なデータ劣化スキームを適用することで、この問題に対処する。
自己認識機構に触発されて、時間的文脈を認識するトランスフォーマーベースのアーキテクチャを設計する。
- 参考スコア（独自算出の注目度）: 0.7216399430290167
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mechanical defects in real situations affect observation values and cause
abnormalities in multivariate time series, such as sensor values or network
data. To perceive abnormalities in such data, it is crucial to understand the
temporal context and interrelation between variables simultaneously. The
anomaly detection task for time series, especially for unlabeled data, has been
a challenging problem, and we address it by applying a suitable data
degradation scheme to self-supervised model training. We define four types of
synthetic outliers and propose the degradation scheme in which a portion of
input data is replaced with one of the synthetic outliers. Inspired by the
self-attention mechanism, we design a Transformer-based architecture to
recognize the temporal context and detect unnatural sequences with high
efficiency. Our model converts multivariate data points into temporal
representations with relative position bias and yields anomaly scores from
these representations. Our method, AnomalyBERT, shows a great capability of
detecting anomalies contained in complex time series and surpasses previous
state-of-the-art methods on five real-world benchmarks. Our code is available
at https://github.com/Jhryu30/AnomalyBERT.
- Abstract（参考訳）: 実環境における機械的欠陥は観測値に影響し、センサ値やネットワークデータなどの多変量時系列における異常を引き起こす。
このようなデータの異常を認識するためには,変数間の時間的文脈と相互関係を理解することが重要である。
時系列の異常検出タスク,特にラベルなしデータの異常検出は困難な問題であり,自己教師型モデルトレーニングに適切なデータ劣化手法を適用することで対処している。
そこで本研究では,4種類の合成異常値を定義し,入力データの一部を合成異常値に置き換える分解手法を提案する。
自己認識機構に着想を得て,時間的文脈を認識し,非自然なシーケンスを高い効率で検出するトランスフォーマーベースのアーキテクチャを設計する。
本モデルは,多変量データポイントを相対的な位置バイアスを持つ時間表現に変換し,それらの表現から異常スコアを得る。
本手法は,複雑な時系列に含まれる異常を検知する能力を示し,実世界の5つのベンチマークにおいて従来の最先端手法を上回った。
私たちのコードはhttps://github.com/Jhryu30/AnomalyBERT.comで利用可能です。
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) - EdgeConvFormer: Dynamic Graph CNN and Transformer based Anomaly
Detection in Multivariate Time Series [7.514010315664322]
本研究では,階層化されたTime2vec埋め込み,動的グラフCNN,Transformerを統合し,グローバルかつ局所的な空間時間情報を抽出する新たな異常検出手法EdgeConvFormerを提案する。
実験により、EdgeConvFormerは、多変量時系列データから時空間モデリングを学習し、異なるスケールの多くの実世界のデータセットに対する最先端のアプローチよりも優れた異常検出性能を得ることができることが示された。
論文 参考訳（メタデータ） (2023-12-04T08:38:54Z) - 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) - Time series anomaly detection with reconstruction-based state-space
models [10.085100442558828]
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。
長い短期記憶(LSTM)ベースのエンコーダデコーダを用いて観測空間と潜時空間のマッピングを行う。
潜在空間の正規化は、通常のサンプルの状態に制約を課し、マハラノビス距離を用いて異常レベルを評価する。
論文 参考訳（メタデータ） (2023-03-06T17:52:35Z) - 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) - 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) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - 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) - Data Anomaly Detection for Structural Health Monitoring of Bridges using
Shapelet Transform [0.0]
多くの構造健康モニタリング(SHM)システムが、土木インフラを監視するために配備されている。
SHMシステムによって測定されたデータは、故障または故障したセンサーによって引き起こされる複数の異常によって影響を受ける傾向にある。
本稿では,SHMデータの異常を自律的に識別するために,Shapelet Transformという比較的新しい時系列表現を提案する。
論文 参考訳（メタデータ） (2020-08-31T01:11:04Z)
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。