論文の概要: Detection of Anomalies in Multivariate Time Series Using Ensemble
Techniques
- arxiv url: http://arxiv.org/abs/2308.03171v1
- Date: Sun, 6 Aug 2023 17:51:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-08 16:10:13.650489
- Title: Detection of Anomalies in Multivariate Time Series Using Ensemble
Techniques
- Title(参考訳): アンサンブル法による多変量時系列の異常検出
- Authors: Anastasios Iliopoulos, John Violos, Christos Diou and Iraklis Varlamis
- Abstract要約: 最終的な決定に向けて,複数の基本モデルを組み合わせたアンサンブル手法を提案する。
また,ロジスティック回帰器を用いて基本モデルの出力を結合する半教師付き手法を提案する。
異常検出精度の点での性能改善は、教師なしモデルでは2%、半教師なしモデルでは少なくとも10%に達する。
- 参考スコア(独自算出の注目度): 3.2422067155309806
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Anomaly Detection in multivariate time series is a major problem in many
fields. Due to their nature, anomalies sparsely occur in real data, thus making
the task of anomaly detection a challenging problem for classification
algorithms to solve. Methods that are based on Deep Neural Networks such as
LSTM, Autoencoders, Convolutional Autoencoders etc., have shown positive
results in such imbalanced data. However, the major challenge that algorithms
face when applied to multivariate time series is that the anomaly can arise
from a small subset of the feature set. To boost the performance of these base
models, we propose a feature-bagging technique that considers only a subset of
features at a time, and we further apply a transformation that is based on
nested rotation computed from Principal Component Analysis (PCA) to improve the
effectiveness and generalization of the approach. To further enhance the
prediction performance, we propose an ensemble technique that combines multiple
base models toward the final decision. In addition, a semi-supervised approach
using a Logistic Regressor to combine the base models' outputs is proposed. The
proposed methodology is applied to the Skoltech Anomaly Benchmark (SKAB)
dataset, which contains time series data related to the flow of water in a
closed circuit, and the experimental results show that the proposed ensemble
technique outperforms the basic algorithms. More specifically, the performance
improvement in terms of anomaly detection accuracy reaches 2% for the
unsupervised and at least 10% for the semi-supervised models.
- Abstract(参考訳): 多変量時系列における異常検出は多くの分野において大きな問題である。
その性質上、実際のデータでは異常はわずかに発生するため、異常検出のタスクは分類アルゴリズムの解決が困難な問題となる。
LSTM、オートエンコーダ、畳み込みオートエンコーダなどのディープニューラルネットワークに基づく手法は、そのような不均衡なデータに肯定的な結果を示す。
しかし、多変量時系列に適用する場合、アルゴリズムが直面する大きな課題は、特徴集合の小さな部分集合から異常が発生することである。
そこで本研究では,これらの基本モデルの性能向上のために,特徴量のサブセットのみを考慮した機能バッグング手法を提案し,また,主成分分析(PCA)から計算したネスト回転に基づく変換を適用して,アプローチの有効性と一般化を向上する。
予測性能をさらに向上するために,複数の基本モデルを組み合わせて最終決定を行うアンサンブル手法を提案する。
さらに,ロジスティック回帰器を用いて基本モデルの出力を結合する半教師付き手法を提案する。
提案手法は閉回路内の水の流れに関する時系列データを含むSkoltech Anomaly Benchmark(SKAB)データセットに適用され,実験結果から,提案手法が基本アルゴリズムより優れていることが示された。
より具体的には、異常検出精度における性能改善は、教師なしモデルでは2%、半教師なしモデルでは少なくとも10%に達する。
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) - Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation
for Time Series [49.992908221544624]
時系列データは、しばしば多くの欠落した値を示し、これは時系列計算タスクである。
従来の深層学習法は時系列計算に有効であることが示されている。
本研究では,不確実性のある高精度な計算を行う非生成時系列計算法を提案する。
論文 参考訳(メタデータ) (2023-12-03T05:52:30Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳(メタデータ) (2023-06-10T08:25:16Z) - Dual Optimization for Kolmogorov Model Learning Using Enhanced Gradient
Descent [8.714458129632158]
コルモゴロフモデル(コルモゴロフモデル、英: Kolmogorov model、KM)は、確率変数の集合の基本的な確率構造を学ぶための解釈可能で予測可能な表現手法である。
正規化双対最適化と拡張勾配降下法(GD)を併用した計算スケーラブルなKM学習アルゴリズムを提案する。
提案したKM学習アルゴリズムを用いた論理的関係マイニングの精度は80%以上である。
論文 参考訳(メタデータ) (2021-07-11T10:33:02Z) - Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature
Selection [138.97647716793333]
再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。
提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
論文 参考訳(メタデータ) (2020-12-29T04:08:38Z) - An Adaptive EM Accelerator for Unsupervised Learning of Gaussian Mixture
Models [0.7340845393655052]
教師なし学習のための適応予測最大化(EM)アルゴリズムのためのAnderson Accelerationスキームを提案する。
提案アルゴリズムは、最適混合成分数を自律的に決定することができ、非加速バージョンよりもはるかに高速に最適解に収束する。
論文 参考訳(メタデータ) (2020-09-26T22:55:44Z) - 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) - Landscape-Aware Fixed-Budget Performance Regression and Algorithm
Selection for Modular CMA-ES Variants [1.0965065178451106]
市販の教師あり学習手法を用いて,高品質な性能予測が可能であることを示す。
このアプローチを,モジュール型CMA-ESアルゴリズム群から選択した,非常に類似したアルゴリズムのポートフォリオ上でテストする。
論文 参考訳(メタデータ) (2020-06-17T13:34:57Z) - Total Deep Variation: A Stable Regularizer for Inverse Problems [71.90933869570914]
本稿では,データ駆動型汎用全深度変動正規化器について紹介する。
コアでは、畳み込みニューラルネットワークが複数のスケールや連続したブロックで局所的な特徴を抽出する。
我々は多数の画像処理タスクに対して最先端の結果を得る。
論文 参考訳(メタデータ) (2020-06-15T21:54:15Z) - RobustTAD: Robust Time Series Anomaly Detection via Decomposition and
Convolutional Neural Networks [37.16594704493679]
本稿では,ロバスト時系列異常検出フレームワークRobustTADを提案する。
時系列データのために、堅牢な季節差分解と畳み込みニューラルネットワークを統合する。
パブリックオンラインサービスとしてデプロイされ、Alibaba Groupのさまざまなビジネスシナリオで広く採用されている。
論文 参考訳(メタデータ) (2020-02-21T20:43:45Z)
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。