論文の概要: CARLA: A Self-supervised Contrastive Representation Learning Approach for Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2308.09296v1
• Date: Fri, 18 Aug 2023 04:45:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-21 14:49:07.103598
• Title: CARLA: A Self-supervised Contrastive Representation Learning Approach for Time Series Anomaly Detection
• Title（参考訳）: CARLA:時系列異常検出のための自己教師付きコントラスト表現学習手法
• Authors: Zahra Zamanzadeh Darban, Geoffrey I. Webb, Shirui Pan, Mahsa Salehi
• Abstract要約: 本稿では,時系列データ中の異常パターンを識別する,革新的なエンドツーエンドの自己組織化フレームワークを提案する。 コントラスト表現学習を活用することで、CARLAは時系列ウィンドウのロバスト表現を効果的に生成する。 本研究は,時系列異常検出の分野でのコントラスト表現学習の可能性を強調した。
• 参考スコア（独自算出の注目度）: 56.74726559114233
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a Self-supervised Contrastive Representation Learning Approach for Time Series Anomaly Detection (CARLA), an innovative end-to-end self-supervised framework carefully developed to identify anomalous patterns in both univariate and multivariate time series data. By taking advantage of contrastive representation learning, We introduce an innovative end-to-end self-supervised deep learning framework carefully developed to identify anomalous patterns in both univariate and multivariate time series data. By taking advantage of contrastive representation learning, CARLA effectively generates robust representations for time series windows. It achieves this by 1) learning similar representations for temporally close windows and dissimilar representations for windows and their equivalent anomalous windows and 2) employing a self-supervised approach to classify normal/anomalous representations of windows based on their nearest/furthest neighbours in the representation space. Most of the existing models focus on learning normal behaviour. The normal boundary is often tightly defined, which can result in slight deviations being classified as anomalies, resulting in a high false positive rate and limited ability to generalise normal patterns. CARLA's contrastive learning methodology promotes the production of highly consistent and discriminative predictions, thereby empowering us to adeptly address the inherent challenges associated with anomaly detection in time series data. Through extensive experimentation on 7 standard real-world time series anomaly detection benchmark datasets, CARLA demonstrates F1 and AU-PR superior to existing state-of-the-art results. Our research highlights the immense potential of contrastive representation learning in advancing the field of time series anomaly detection, thus paving the way for novel applications and in-depth exploration in this domain.
• Abstract（参考訳）: 本稿では,一変量時系列データと多変量時系列データの両方において異常パターンを識別する手法として,時間系列異常検出のための自己教師付きコントラスト表現学習アプローチ(CARLA)を提案する。 対照的な表現学習を生かして、一変量および多変量時系列データの異常パターンを特定するために、革新的なエンドツーエンドの自己教師型ディープラーニングフレームワークを慎重に開発する。 コントラスト表現学習を活用することで、CARLAは時系列ウィンドウのロバスト表現を効果的に生成する。 それはこれを達成する 1) 時間的に閉じた窓の類似表現と窓とそれに相当する異常な窓の異種表現を学習すること。 2) ウィンドウの正規/非正規表現を,その表現空間における最も近い/少ない隣人に基づいて分類する自己教師型アプローチを採用する。 既存のモデルのほとんどは、通常の振る舞いの学習に重点を置いている。 正規境界はしばしば厳密に定義され、わずかな偏差が異常として分類され、高い偽陽性率と正規パターンを一般化する能力が制限される。 カーラの対照的な学習手法は、高度に一貫性があり差別的な予測を生み出すことを促進し、時系列データにおける異常検出に関連する本質的な課題を適切に解決できるようにする。 CARLAは、7つの標準的な実世界の時系列異常検出ベンチマークデータセットの広範な実験を通じて、既存の最先端結果よりもF1とAU-PRが優れていることを示した。 本研究は,時系列異常検出の分野におけるコントラスト表現学習の膨大な可能性を浮き彫りにしている。

関連論文リスト

• Anomaly Detection by Context Contrasting [57.695202846009714]
  異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。 近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。 我々はコンテキスト拡張を通じて学習するCon$を提案する。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• 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)
• Precursor-of-Anomaly Detection for Irregular Time Series [31.73234935455713]
  本稿では,新しいタイプの異常検出法であるPrecursor-of-Anomaly(PoA)について述べる。 両問題を同時に解くために,ニューラルネットワークとマルチタスク学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-27T14:10:09Z)
• DCdetector: Dual Attention Contrastive Representation Learning for Time Series Anomaly Detection [26.042898544127503]
  時系列異常検出は幅広い用途において重要である。 時系列の通常のサンプル分布から逸脱したサンプルを識別することを目的としている。 マルチスケールな二重注意コントラスト表現学習モデルであるDCdetectorを提案する。
  論文  参考訳（メタデータ） (2023-06-17T13:40:15Z)
• Deep Contrastive One-Class Time Series Anomaly Detection [15.27593816198766]
  時系列の逆1クラス異常検出法(COCA)を著者らにより提案する。 元の表現と再構成された表現を、正対の負サンプルのないCL、すなわち「シーケンスコントラスト」として扱う。
  論文  参考訳（メタデータ） (2022-07-04T15:08:06Z)
• Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy [68.86835407617778]
  Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。 Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-10-06T10:33:55Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• 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。