論文の概要: Correlation-aware Spatial-Temporal Graph Learning for Multivariate
Time-series Anomaly Detection
- arxiv url: http://arxiv.org/abs/2307.08390v2
- Date: Thu, 16 Nov 2023 09:06:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-17 22:33:35.285947
- Title: Correlation-aware Spatial-Temporal Graph Learning for Multivariate
Time-series Anomaly Detection
- Title（参考訳）: 多変量時系列異常検出のための相関対応時空間グラフ学習
- Authors: Yu Zheng, Huan Yee Koh, Ming Jin, Lianhua Chi, Khoa T. Phan, Shirui
Pan, Yi-Ping Phoebe Chen, Wei Xiang
- Abstract要約: 時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。
CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。
新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
- 参考スコア（独自算出の注目度）: 67.60791405198063
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multivariate time-series anomaly detection is critically important in many
applications, including retail, transportation, power grid, and water treatment
plants. Existing approaches for this problem mostly employ either statistical
models which cannot capture the non-linear relations well or conventional deep
learning models (e.g., CNN and LSTM) that do not explicitly learn the pairwise
correlations among variables. To overcome these limitations, we propose a novel
method, correlation-aware spatial-temporal graph learning (termed CST-GL), for
time series anomaly detection. CST-GL explicitly captures the pairwise
correlations via a multivariate time series correlation learning module based
on which a spatial-temporal graph neural network (STGNN) can be developed.
Then, by employing a graph convolution network that exploits one- and multi-hop
neighbor information, our STGNN component can encode rich spatial information
from complex pairwise dependencies between variables. With a temporal module
that consists of dilated convolutional functions, the STGNN can further capture
long-range dependence over time. A novel anomaly scoring component is further
integrated into CST-GL to estimate the degree of an anomaly in a purely
unsupervised manner. Experimental results demonstrate that CST-GL can detect
anomalies effectively in general settings as well as enable early detection
across different time delays.
- Abstract（参考訳）: 多変量時系列異常検出は、小売、輸送、電力網、水処理プラントを含む多くのアプリケーションにおいて極めて重要である。
既存のアプローチでは、非線形関係をうまく捉えられない統計モデルと、変数間のペア関係を明示的に学習しない従来のディープラーニングモデル(例えば、CNNやLSTM)が主に採用されている。
これらの制約を克服するため,時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。
CST-GLは、空間時間グラフニューラルネットワーク(STGNN)を開発するための多変量時系列相関学習モジュールを介して、ペアワイズ相関を明示的にキャプチャする。
そして、一対一の隣接情報を利用するグラフ畳み込みネットワークを利用することにより、stgnnコンポーネントは、変数間の複雑な対数依存性からリッチな空間情報をエンコードすることができる。
拡張畳み込み関数からなる時間モジュールにより、STGNNは時間とともに長距離依存をさらに捉えることができる。
新規な異常スコアリング成分をさらにCST-GLに統合し、純粋に教師なしの方法で異常度を推定する。
実験の結果、CST-GLは一般的な設定で異常を効果的に検出し、異なる遅延時間で早期に検出できることがわかった。
関連論文リスト
- Hypergraph-based multi-scale spatio-temporal graph convolution network for Time-Series anomaly detection [8.878898677348086]
多次元時系列異常検出技術は、航空宇宙、水処理、クラウドサービスプロバイダなど、多くの分野において重要な役割を果たす。
高次元および複雑なデータセットにおいて、効果的かつ正確な異常検出を行うことがますます困難になっている。
本稿では,複数変数間の高次マルチホップ相関を明示的に捉えるハイパーグラフに基づく時間グラフ畳み込みネットワークモデルSTGCN_Hyperを提案する。
我々のモデルはデータ中のマルチスケール時系列の特徴と特徴間の依存関係を柔軟に学習し、異常検出の精度、リコール、F1スコアで既存のベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2024-10-29T17:19:18Z) - Multivariate Time-Series Anomaly Detection based on Enhancing Graph Attention Networks with Topological Analysis [31.43159668073136]
時系列における教師なし異常検出は、手動による介入の必要性を大幅に低減するため、産業応用において不可欠である。
従来の手法では、グラフニューラルネットワーク(GNN)やトランスフォーマーを使用して空間を解析し、RNNは時間的依存をモデル化していた。
本稿では,TopoGDNと呼ばれる多変量時系列異常検出のための拡張グラフ注意ネットワーク(GAT)上に構築された新しい時間モデルを提案する。
論文 参考訳（メタデータ） (2024-08-23T14:06:30Z) - 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) - Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。
グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。
グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
論文 参考訳（メタデータ） (2023-09-11T08:44:07Z) - Coupled Attention Networks for Multivariate Time Series Anomaly
Detection [10.620044922371177]
多変量時系列データにおける異常検出のためのアテンションベースニューラルネットワークフレームワーク(CAN)を提案する。
センサ間の関係と時間的依存関係をキャプチャするために、グローバルローカルグラフに基づく畳み込みニューラルネットワークを時間的自己認識モジュールに統合する。
論文 参考訳（メタデータ） (2023-06-12T13:42:56Z) - Consistency of mechanistic causal discovery in continuous-time using
Neural ODEs [85.7910042199734]
ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。
本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-05-06T08:48:02Z) - Spectral Temporal Graph Neural Network for Multivariate Time-series
Forecasting [19.50001395081601]
StemGNNはシリーズ間の相関と時間的依存関係をキャプチャする。
畳み込みと逐次学習モジュールによって効果的に予測できる。
StemGNNの有効性を示すために、10の実世界のデータセットに関する広範な実験を実施します。
論文 参考訳（メタデータ） (2021-03-13T13:44:20Z) - 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) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳（メタデータ） (2020-05-24T04:02:18Z)
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。