論文の概要: ALGAN: Time Series Anomaly Detection with Adjusted-LSTM GAN
- arxiv url: http://arxiv.org/abs/2308.06663v2
- Date: Wed, 1 Nov 2023 02:00:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-02 17:02:08.770851
- Title: ALGAN: Time Series Anomaly Detection with Adjusted-LSTM GAN
- Title(参考訳): ALGAN:調整LSTM GANによる時系列異常検出
- Authors: Md Abul Bashar, Richi Nayak
- Abstract要約: 時系列データの異常検出は、製造、医療画像、サイバーセキュリティといった様々な領域で一般的な問題である。
近年,GAN(Generative Adversarial Networks)は時系列データの異常検出に有効であることが示されている。
本稿では,ALGAN(Adjusted-LSTM GAN)と呼ばれる新しいGANモデルを提案する。
- 参考スコア(独自算出の注目度): 0.9065034043031667
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomaly detection in time series data, to identify points that deviate from
normal behaviour, is a common problem in various domains such as manufacturing,
medical imaging, and cybersecurity. Recently, Generative Adversarial Networks
(GANs) are shown to be effective in detecting anomalies in time series data.
The neural network architecture of GANs (i.e. Generator and Discriminator) can
significantly improve anomaly detection accuracy. In this paper, we propose a
new GAN model, named Adjusted-LSTM GAN (ALGAN), which adjusts the output of an
LSTM network for improved anomaly detection in both univariate and multivariate
time series data in an unsupervised setting. We evaluate the performance of
ALGAN on 46 real-world univariate time series datasets and a large multivariate
dataset that spans multiple domains. Our experiments demonstrate that ALGAN
outperforms traditional, neural network-based, and other GAN-based methods for
anomaly detection in time series data.
- Abstract(参考訳): 時系列データにおける異常検出は、通常の行動から逸脱する点を特定するために、製造、医用画像、サイバーセキュリティなどの様々な領域で一般的な問題である。
近年,GAN(Generative Adversarial Networks)は時系列データの異常検出に有効であることが示されている。
GAN(ジェネレータとディスクリミネータ)のニューラルネットワークアーキテクチャは異常検出精度を大幅に向上させることができる。
本稿では,ALGAN(Adjusted-LSTM GAN)と呼ばれる新しいGANモデルを提案する。LSTMネットワークの出力を調整し,教師なし環境での一変量および多変量時系列データの異常検出を改善する。
複数の領域にまたがる46個の実世界の単変量時系列データセットと大規模多変量データセット上でのALGANの性能を評価する。
実験の結果,ALGANは従来型,ニューラルネットワーク,その他のGANに基づく時系列データ異常検出法よりも優れていた。
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) - Correlation-aware Spatial-Temporal Graph Learning for Multivariate
Time-series Anomaly Detection [67.60791405198063]
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。
論文 参考訳(メタデータ) (2023-07-17T11:04:27Z) - DEGAN: Time Series Anomaly Detection using Generative Adversarial
Network Discriminators and Density Estimation [0.0]
我々は,GANに基づく異常検出フレームワークDEGANを提案する。
これは、適切に構成された識別器(D)をスタンドアロンの異常予測器に訓練するための入力として、通常の時系列データにのみ依存する。
論文 参考訳(メタデータ) (2022-10-05T04:32:12Z) - Deep Federated Anomaly Detection for Multivariate Time Series Data [93.08977495974978]
本稿では,Fed-ExDNN(Federated Exemplar-based Deep Neural Network)を用いて,異なるエッジデバイス上での多変量時系列データの異常検出を行う。
ExDNNとFed-ExDNNは、最先端の異常検出アルゴリズムやフェデレーション学習技術より優れていることを示す。
論文 参考訳(メタデータ) (2022-05-09T05:06:58Z) - 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) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳(メタデータ) (2021-01-12T20:08:18Z) - On the Usage of Generative Models for Network Anomaly Detection in
Multivariate Time-Series [3.1790432590377242]
本稿では,時系列におけるネットワーク異常検出の新しい手法であるNet-GANを紹介する。
我々は、生成モデルの背後にある概念を利用して、Net-GANの補完的アプローチであるNet-VAEを考案する。
我々は,IoTセンサデータにおける異常検出,ネットワーク計測における侵入検出など,異なる監視シナリオにおけるNet-GANとNet-VAEを評価した。
論文 参考訳(メタデータ) (2020-10-16T10:22:25Z) - 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) - TAnoGAN: Time Series Anomaly Detection with Generative Adversarial
Networks [1.9290392443571387]
本稿では,時系列中の異常を検出するため,TAnoGanと呼ばれる新しいGANベースの教師なし手法を提案する。
さまざまな領域をカバーする46のリアルタイム時系列データセットを用いて,TAnoGanを評価した。
論文 参考訳(メタデータ) (2020-08-21T16:24:51Z) - 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。