論文の概要: Multivariate Time-Series Anomaly Detection with Contaminated Data
- arxiv url: http://arxiv.org/abs/2308.12563v2
- Date: Fri, 16 Feb 2024 17:39:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-19 20:30:04.079620
- Title: Multivariate Time-Series Anomaly Detection with Contaminated Data
- Title(参考訳): 汚染データを用いた多変量時系列異常検出
- Authors: Thi Kieu Khanh Ho and Narges Armanfard
- Abstract要約: 本稿では,トレーニングデータを異常で汚染した場合に,新しいかつ実用的な非教師付きTSADを提案する。
TSAD-Cと呼ばれるアプローチでは、トレーニングフェーズ中に異常ラベルにアクセスできない。
3つの信頼性データセットを用いて実験を行い,提案手法が既存の手法を超えることを確定的に実証した。
- 参考スコア(独自算出の注目度): 9.46389554092506
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mainstream unsupervised anomaly detection algorithms often excel in academic
datasets, yet their real-world performance is restricted due to the controlled
experimental conditions involving clean training data. Addressing the challenge
of training with noise, a prevalent issue in practical anomaly detection, is
frequently overlooked. In a pioneering endeavor, this study delves into the
realm of label-level noise within sensory time-series anomaly detection (TSAD).
This paper presents a novel and practical end-to-end unsupervised TSAD when the
training data are contaminated with anomalies. The introduced approach, called
TSAD-C, is devoid of access to abnormality labels during the training phase.
TSAD-C encompasses three modules: a Decontaminator to rectify the abnormalities
(aka noise) present in the training data, a Long-range Variable Dependency
Modeling module to capture both long-term intra- and inter-variable
dependencies within the decontaminated data that can be considered as a
surrogate of the pure normal data, and an Anomaly Scoring module to detect
anomalies from all types. Our extensive experiments conducted on three reliable
datasets conclusively demonstrate that our approach surpasses existing
methodologies, thus establishing a new state-of-the-art performance in the
field.
- Abstract(参考訳): 主流の教師なし異常検出アルゴリズムは、しばしば学術データセットで優れているが、クリーンなトレーニングデータを含む制御された実験条件のため、実際の性能は制限されている。
実用的な異常検出における一般的な問題であるノイズによるトレーニングの課題は、しばしば見過ごされている。
先駆的な試みとして,感覚時系列異常検出(TSAD)におけるラベルレベルのノイズの領域について検討した。
本稿では,トレーニングデータを異常で汚染した場合に,新しいかつ実用的な非教師付きTSADを提案する。
TSAD-Cと呼ばれるアプローチでは、トレーニングフェーズ中に異常ラベルにアクセスできない。
TSAD-Cは、トレーニングデータに存在する異常(いわゆるノイズ)を補正する除染器と、純粋な正規データのサロゲートとみなすことができる除染データ内の長期的な内部および変数間の依存関係をキャプチャする長距離可変依存性モデリングモジュールと、あらゆるタイプの異常を検知する異常スコーリングモジュールの3つのモジュールを含む。
3つの信頼性データセットで実施した広範囲な実験は、我々のアプローチが既存の方法論を超えることを決定的に証明し、この分野における新しい最先端性能を確立した。
関連論文リスト
- Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation :
A Unified Approach [52.14916470104883]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳(メタデータ) (2023-11-27T13:14:06Z) - Unraveling the "Anomaly" in Time Series Anomaly Detection: A
Self-supervised Tri-domain Solution [89.16750999704969]
異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。
自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。
自己教師型3領域異常検出器(TriAD)を提案する。
論文 参考訳(メタデータ) (2023-11-19T05:37:18Z) - Open-Set Multivariate Time-Series Anomaly Detection [8.010966370223985]
本論文は,TSAD問題に対する新しいアプローチを提供するための最初の試みである。
限られた種類の異常からラベル付きされた少数の異常がトレーニングフェーズで見え、テストフェーズで見えるクラスと見えないクラスの両方を検出することを目的としている。
3つの実世界のデータセットに対する大規模な実験は、我々のアプローチが様々な実験環境下で既存の手法を超えることを一貫して示している。
論文 参考訳(メタデータ) (2023-10-18T19:55:11Z) - An Iterative Method for Unsupervised Robust Anomaly Detection Under Data
Contamination [24.74938110451834]
ほとんどの深層異常検出モデルは、データセットから正規性を学ぶことに基づいている。
実際、正規性仮定は実データ分布の性質によってしばしば破られる。
このギャップを減らし、より優れた正規性表現を実現するための学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-18T02:36:19Z) - Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。
本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。
シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
論文 参考訳(メタデータ) (2023-05-17T09:37:07Z) - PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。
我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
論文 参考訳(メタデータ) (2023-01-25T16:34:43Z) - Enhancing Unsupervised Anomaly Detection with Score-Guided Network [13.127091975959358]
異常検出は、医療や金融システムなど、さまざまな現実世界のアプリケーションにおいて重要な役割を担っている。
正規データと異常データの間の異常スコアの差を学習・拡大するために,スコア誘導正規化を用いた新しいスコアネットワークを提案する。
次に,スコア誘導型オートエンコーダ(SG-AE)を提案する。
論文 参考訳(メタデータ) (2021-09-10T06:14:53Z) - 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) - Toward Deep Supervised Anomaly Detection: Reinforcement Learning from
Partially Labeled Anomaly Data [150.9270911031327]
本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。
既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。
そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2020-09-15T03:05:39Z)
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。