論文の概要: Imbalanced Aircraft Data Anomaly Detection
- arxiv url: http://arxiv.org/abs/2305.10082v1
- Date: Wed, 17 May 2023 09:37:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-18 16:36:21.322617
- Title: Imbalanced Aircraft Data Anomaly Detection
- Title(参考訳): 不均衡航空機データ異常検出
- Authors: Hao Yang, Junyu Gao, Yuan Yuan and Xuelong Li
- Abstract要約: 航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。
本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。
シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
- 参考スコア(独自算出の注目度): 103.01418862972564
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Anomaly detection in temporal data from sensors under aviation scenarios is a
practical but challenging task: 1) long temporal data is difficult to extract
contextual information with temporal correlation; 2) the anomalous data are
rare in time series, causing normal/abnormal imbalance in anomaly detection,
making the detector classification degenerate or even fail. To remedy the
aforementioned problems, we propose a Graphical Temporal Data Analysis (GTDA)
framework. It consists three modules, named Series-to-Image (S2I),
Cluster-based Resampling Approach using Euclidean Distance (CRD) and
Variance-Based Loss (VBL). Specifically, for better extracts global information
in temporal data from sensors, S2I converts the data to curve images to
demonstrate abnormalities in data changes. CRD and VBL balance the
classification to mitigate the unequal distribution of classes. CRD extracts
minority samples with similar features to majority samples by clustering and
over-samples them. And VBL fine-tunes the decision boundary by balancing the
fitting degree of the network to each class. Ablation experiments on the
Flights dataset indicate the effectiveness of CRD and VBL on precision and
recall, respectively. Extensive experiments demonstrate the synergistic
advantages of CRD and VBL on F1-score on Flights and three other temporal
datasets.
- Abstract(参考訳): 航空シナリオにおけるセンサーからの時間データの異常検出は実用的だが難しい課題だ。
1) 時系列データは,時間的相関による文脈情報の抽出が困難である。
2) 異常データは時系列では稀であり, 異常検出における正常/異常不均衡の原因となり, 検出器分類が劣化または失敗する。
上記の問題を解決するために,GTDA(Graphical Temporal Data Analysis)フレームワークを提案する。
series-to-image (s2i) と呼ばれる3つのモジュールで構成され、ユークリッド距離 (crd) と分散ベース損失 (vbl) を用いたクラスタベースの再サンプリングアプローチである。
具体的には、センサから時間データのグローバル情報をよりよく抽出するために、S2Iはデータを曲線画像に変換し、データの変化の異常を示す。
CRDとVBLは、クラスの不等分布を軽減するために分類のバランスをとる。
CRDは、多数サンプルに類似した特徴を持つ少数サンプルをクラスタリングし、オーバーサンプリングすることで抽出する。
そしてVBLは、ネットワークの適合度を各クラスにバランスさせて決定境界を微調整する。
Flightsデータセットのアブレーション実験は、それぞれ精度とリコールにおけるCRDとVBLの有効性を示している。
大規模な実験では、F1スコアと他の3つの時間データセットに対するCRDとVBLの相乗効果が示されている。
関連論文リスト
- DACR: Distribution-Augmented Contrastive Reconstruction for Time-Series
Anomaly Detection [12.3866167448478]
時系列データの異常検出は、さまざまなアプリケーションにわたる障害、障害、脅威、異常を識別するために不可欠である。
近年、このトピックにディープラーニング技術が適用されているが、現実のシナリオではしばしば苦労している。
本稿では,これらの課題に対処するため,DACR(Distributed-Augmented Contrastive Reconstruction)を提案する。
論文 参考訳(メタデータ) (2024-01-20T16:56:52Z) - 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) - 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) - Multivariate Time-Series Anomaly Detection with Contaminated Data [9.46389554092506]
本稿では,トレーニングデータを異常で汚染した場合に,新しいかつ実用的な非教師付きTSADを提案する。
TSAD-Cと呼ばれるアプローチでは、トレーニングフェーズ中に異常ラベルにアクセスできない。
3つの信頼性データセットを用いて実験を行い,提案手法が既存の手法を超えることを確定的に実証した。
論文 参考訳(メタデータ) (2023-08-24T05:10:18Z) - AnomalyBERT: Self-Supervised Transformer for Time Series Anomaly
Detection using Data Degradation Scheme [0.7216399430290167]
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。
論文 参考訳(メタデータ) (2023-05-08T05:42:24Z) - Latent Outlier Exposure for Anomaly Detection with Contaminated Data [31.446666264334528]
異常検出は、ラベルなしデータセットの大多数のデータから体系的なずれを示すデータポイントを特定することを目的としている。
本稿では,広範囲のモデルと互換性のあるラベルのない異常が存在する場合に,異常検知器を訓練するための戦略を提案する。
論文 参考訳(メタデータ) (2022-02-16T14:21:28Z) - SLA$^2$P: Self-supervised Anomaly Detection with Adversarial
Perturbation [77.71161225100927]
異常検出は、機械学習の基本的な問題であるが、難しい問題である。
本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
論文 参考訳(メタデータ) (2021-11-25T03:53:43Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳(メタデータ) (2021-09-08T14:07:55Z) - 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。