論文の概要: RoLA: A Real-Time Online Lightweight Anomaly Detection System for Multivariate Time Series

• arxiv url: http://arxiv.org/abs/2305.16509v1
• Date: Thu, 25 May 2023 22:32:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-29 17:58:41.142529
• Title: RoLA: A Real-Time Online Lightweight Anomaly Detection System for Multivariate Time Series
• Title（参考訳）: RoLA:多変量時系列用リアルタイムオンライン軽量異常検出システム
• Authors: Ming-Chang Lee and Jia-Chun Lin
• Abstract要約: RoLAは、マルチ変数時系列のリアルタイムオンライン軽量異常検知システムである。 分割・分散戦略、並列処理、および多数ルールに基づいて、RoLAは多数ルールに基づいた異常をリアルタイムに検出する。
• 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: A multivariate time series refers to observations of two or more variables taken from a device or a system simultaneously over time. There is an increasing need to monitor multivariate time series and detect anomalies in real time to ensure proper system operation and good service quality. It is also highly desirable to have a lightweight anomaly detection system that considers correlations between different variables, adapts to changes in the pattern of the multivariate time series, offers immediate responses, and provides supportive information regarding detection results based on unsupervised learning and online model training. In the past decade, many multivariate time series anomaly detection approaches have been introduced. However, they are unable to offer all the above-mentioned features. In this paper, we propose RoLA, a real-time online lightweight anomaly detection system for multivariate time series based on a divide-and-conquer strategy, parallel processing, and the majority rule. RoLA employs multiple lightweight anomaly detectors to monitor multivariate time series in parallel, determine the correlations between variables dynamically on the fly, and then jointly detect anomalies based on the majority rule in real time. To demonstrate the performance of RoLA, we conducted an experiment based on a public dataset provided by the FerryBox of the One Ocean Expedition. The results show that RoLA provides satisfactory detection accuracy and lightweight performance.
• Abstract（参考訳）: 多変量時系列とは、デバイスまたはシステムから同時に取られた2つ以上の変数の観測である。 適切なシステム運用とサービス品質を確保するために、多変量時系列を監視し、リアルタイムで異常を検出する必要性が高まっている。 また、異なる変数間の相関を考慮し、多変量時系列のパターンの変化に適応し、即時応答を提供し、教師なし学習とオンラインモデルトレーニングに基づく検出結果に関する支援情報を提供する軽量な異常検出システムを持つことも望ましい。 過去10年間で、多くの多変量時系列異常検出手法が導入された。 しかし、上記の機能をすべて提供することはできない。 本稿では,分割・分割戦略,並列処理,多数決ルールに基づく多変量時系列のリアルタイムオンライン軽量異常検出システムであるrolaを提案する。 RoLAは複数の軽量な異常検知器を用いて、マルチ変数の時系列を並列に監視し、ハエの変数間の相関を動的に決定し、その後、多数ルールに基づいてリアルタイムに異常を共同検出する。 rolaのパフォーマンスを実証するために,one ocean expeditionのフェリーボックスから提供される公開データセットに基づく実験を行った。 その結果,rolaは検出精度と軽量化を実現できた。

関連論文リスト

• 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)
• Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
  本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。 実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
  論文  参考訳（メタデータ） (2023-10-17T06:29:09Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• RePAD2: Real-Time, Lightweight, and Adaptive Anomaly Detection for Open-Ended Time Series [0.0]
  オープンエンド時系列(英語: open-ended time series)とは、終端のない時系列でインデックスされた一連のデータポイントを指す。 リアルタイム時系列異常検出手法がいくつか導入されている。 長期にわたってオープンエンドの時系列に適用された場合、システムリソースを浪費する可能性がある。 本稿では,オープンエンド時系列に対する軽量リアルタイム異常検出手法であるRePAD2を提案する。
  論文  参考訳（メタデータ） (2023-03-01T11:00:20Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Recurrent Auto-Encoder With Multi-Resolution Ensemble and Predictive Coding for Multivariate Time-Series Anomaly Detection [3.772827533440353]
  実世界の時系列データは複雑な時間的依存関係を示す。 RAE-M EPCは多解像度アンサンブルと予測符号化に基づいて情報正規表現を学習する。 実世界のベンチマークデータセットの実験は、提案されたモデルがベンチマークモデルより優れていることを示している。
  論文  参考訳（メタデータ） (2022-02-21T05:47:22Z)
• An Evaluation of Anomaly Detection and Diagnosis in Multivariate Time Series [7.675917669905486]
  本稿では,異常検出・診断のための教師なし・半教師付き深層学習手法の体系的・包括的評価について述べる。 我々は、10のモデルと4のスコアリング関数のグリッドを通して、モデルエラーのモデルと後処理を変え、これらの変種を最先端の手法と比較する。 既存の評価指標は、事象を考慮に入れていないか、良い検知器と自明な検出器を区別できないかのどちらかである。
  論文  参考訳（メタデータ） (2021-09-23T15:14:24Z)
• HIFI: Anomaly Detection for Multivariate Time Series with High-order Feature Interactions [7.016615391171876]
  HIFIは自動的に多変量特徴相互作用グラフを構築し、グラフ畳み込みニューラルネットワークを使用して高次特徴相互作用を実現する。 3つの公開データセットの実験は、最先端のアプローチと比較して、我々のフレームワークの優位性を示している。
  論文  参考訳（メタデータ） (2021-06-11T04:57:03Z)
• 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。