論文の概要: Refining the Optimization Target for Automatic Univariate Time Series Anomaly Detection in Monitoring Services

• arxiv url: http://arxiv.org/abs/2307.10653v1
• Date: Thu, 20 Jul 2023 07:33:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-21 14:08:00.703131
• Title: Refining the Optimization Target for Automatic Univariate Time Series Anomaly Detection in Monitoring Services
• Title（参考訳）: 監視サービスにおける時系列自動異常検出のための最適化目標の検討
• Authors: Manqing Dong and Zhanxiang Zhao and Yitong Geng and Wentao Li and Wei Wang and Huai Jiang
• Abstract要約: 本稿では,時系列異常検出モデルにおけるパラメータ自動最適化のための包括的フレームワークを提案する。 このフレームワークには,予測スコア,形状スコア,感度スコアという,3つの最適化目標が導入されている。 提案されたフレームワークは6ヶ月以上オンラインで適用され、毎分5万回以上の時系列が配信されている。
• 参考スコア（独自算出の注目度）: 7.950139316901604
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Time series anomaly detection is crucial for industrial monitoring services that handle a large volume of data, aiming to ensure reliability and optimize system performance. Existing methods often require extensive labeled resources and manual parameter selection, highlighting the need for automation. This paper proposes a comprehensive framework for automatic parameter optimization in time series anomaly detection models. The framework introduces three optimization targets: prediction score, shape score, and sensitivity score, which can be easily adapted to different model backbones without prior knowledge or manual labeling efforts. The proposed framework has been successfully applied online for over six months, serving more than 50,000 time series every minute. It simplifies the user's experience by requiring only an expected sensitive value, offering a user-friendly interface, and achieving desired detection results. Extensive evaluations conducted on public datasets and comparison with other methods further confirm the effectiveness of the proposed framework.
• Abstract（参考訳）: 信頼性の確保とシステムパフォーマンスの最適化を目的とした,大量のデータを扱う産業監視サービスでは,時系列異常検出が不可欠である。 既存の手法では、広範囲のラベル付きリソースと手動パラメータの選択を必要とし、自動化の必要性を強調している。 本稿では,時系列異常検出モデルにおけるパラメータ自動最適化のための包括的フレームワークを提案する。 このフレームワークには,予測スコア,形状スコア,感度スコアという3つの最適化目標が導入されている。 提案されたフレームワークは6ヶ月以上ネットで適用され、毎分5万回以上配信されている。 ユーザエクスペリエンスをシンプルにするためには、期待された機密値のみを必要とし、ユーザフレンドリなインターフェースを提供し、望ましい検出結果を達成する。 公開データセット上での広範な評価と他の手法との比較により,提案手法の有効性がさらに検証された。

関連論文リスト

• Fully Automated Correlated Time Series Forecasting in Minutes [31.198713853170375]
  本稿では,完全に自動化された高効率な時系列予測フレームワークを提案する。 これには、データ駆動の反復戦略が含まれており、大きな検索スペースを自動でプーンし、新しい予測タスクのための高品質な検索スペースを得る。 7つのベンチマークデータセットの実験は、このフレームワークが最先端の精度を持ち、既存の方法よりもはるかに効率的であることを示す。
  論文  参考訳（メタデータ） (2024-11-06T09:02:13Z)
• A CLIP-Powered Framework for Robust and Generalizable Data Selection [51.46695086779598]
  実世界のデータセットは、しばしば冗長でノイズの多いデータを含み、トレーニング効率とモデルパフォーマンスに悪影響を及ぼす。 データ選択は、データセット全体から最も代表的なサンプルを特定することを約束している。 より堅牢で一般化可能なサンプル選択にマルチモーダル情報を活用するCLIPを利用した新しいデータ選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-15T03:00:58Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
  本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。 さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
  論文  参考訳（メタデータ） (2024-03-26T04:27:56Z)
• auto-sktime: Automated Time Series Forecasting [18.640815949661903]
  本稿では,自動時系列予測のための新しいフレームワークであるauto-sktimeを紹介する。 提案するフレームワークは、自動機械学習(AutoML)技術を使用して、予測パイプライン全体の生成を自動化する。 64種類の実世界の時系列データセットに対する実験結果は、フレームワークの有効性と効率を実証している。
  論文  参考訳（メタデータ） (2023-12-13T21:34:30Z)
• Active Reinforcement Learning for Personalized Stress Monitoring in Everyday Settings [4.4353357514621745]
  本稿では,日常の環境をターゲットとしたウェアラブルセンサを用いた微粒な応力検出問題について考察する。 我々は,生理的信号を定期的に捉え,リアルタイムで処理する多層センサエッジクラウドプラットフォームを開発した。 提案手法は,ユーザからのクエリを88%,32%削減して,望ましい検出性能を実現する。
  論文  参考訳（メタデータ） (2023-04-28T22:09:19Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• MOSPAT: AutoML based Model Selection and Parameter Tuning for Time Series Anomaly Detection [8.942168855247548]
  MOSPATは、モデルとパラメータの選択のためのエンドツーエンドの機械学習ベースのアプローチである。 実データおよび合成データを用いた実験により, この手法は, 一つのアルゴリズムを用いて一貫した性能を発揮することを示した。
  論文  参考訳（メタデータ） (2022-05-24T03:28:52Z)
• Automated Model Selection for Time-Series Anomaly Detection [6.396011708581161]
  多くの企業は、アプリケーションやサービスに対する何千もの時間的信号を監視し、時間内のインシデントに対する即時フィードバックと警告を必要とします。 このタスクは、乱雑でしばしば適切なラベルのない時系列の複雑な特性のため、難しい。 これはラベルの欠如と単一のモデルが異なる時系列にほとんど適合しないため、教師付きモデルのトレーニングを禁止している。 本稿では、入力データに対して適切なパラメータを持つ最も適切な検出モデルを自動的に見つけるための自動モデル選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-25T07:23:43Z)
• AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
  目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。 提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
  論文  参考訳（メタデータ） (2020-08-16T11:36:11Z)
• SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
  本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。 効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。 構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
  論文  参考訳（メタデータ） (2020-07-26T12:32:38Z)

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。