論文の概要: An LSTM-Based Predictive Monitoring Method for Data with Time-varying Variability

• arxiv url: http://arxiv.org/abs/2309.01978v1
• Date: Tue, 5 Sep 2023 06:13:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-06 16:15:18.289238
• Title: An LSTM-Based Predictive Monitoring Method for Data with Time-varying Variability
• Title（参考訳）: 時変変動を考慮したlstmに基づくデータ予測モニタリング手法
• Authors: Jiaqi Qiu, Yu Lin, Inez Zwetsloot
• Abstract要約: 本稿では、繰り返し発生するニューラルネットワーク構造がプロセスを監視する能力について考察する。 本研究では,長期短期記憶(LSTM)予測間隔に基づく時間変動データに対する制御チャートを提案する。 提案手法は時系列センサデータにも適用され,本手法が異常検出に有効な手法であることを確認した。
• 参考スコア（独自算出の注目度）: 3.5246670856011035
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The recurrent neural network and its variants have shown great success in processing sequences in recent years. However, this deep neural network has not aroused much attention in anomaly detection through predictively process monitoring. Furthermore, the traditional statistic models work on assumptions and hypothesis tests, while neural network (NN) models do not need that many assumptions. This flexibility enables NN models to work efficiently on data with time-varying variability, a common inherent aspect of data in practice. This paper explores the ability of the recurrent neural network structure to monitor processes and proposes a control chart based on long short-term memory (LSTM) prediction intervals for data with time-varying variability. The simulation studies provide empirical evidence that the proposed model outperforms other NN-based predictive monitoring methods for mean shift detection. The proposed method is also applied to time series sensor data, which confirms that the proposed method is an effective technique for detecting abnormalities.
• Abstract（参考訳）: リカレントニューラルネットワークとその変種は近年、シーケンスの処理において大きな成功を収めている。 しかし、このディープニューラルネットワークは、予測的プロセス監視による異常検出にはあまり注目されていない。 さらに、従来の統計モデルは仮定や仮説テストで機能するが、ニューラルネットワーク(NN)モデルは多くの仮定を必要としない。 この柔軟性により、NNモデルは、実際のデータの共通の固有の側面である、時間変化のばらつきのあるデータで効率的に作業することができる。 本稿では、繰り返しニューラルネットワーク構造がプロセスを監視する能力について検討し、時間変動のあるデータに対する長期記憶(LSTM)予測間隔に基づく制御チャートを提案する。 シミュレーション研究は,提案手法がnnに基づく平均シフト検出の予測モニタリング手法よりも優れていることを示す実証的証拠を提供する。 提案手法は時系列センサデータにも適用され,本手法が異常検出に有効な手法であることを確認した。

関連論文リスト

• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Brain-Inspired Spiking Neural Network for Online Unsupervised Time Series Prediction [13.521272923545409]
  連続学習に基づく非教師付きリカレントスパイキングニューラルネットワークモデル(CLURSNN)を提案する。 CLURSNNは、ランダム遅延埋め込み(Random Delay Embedding)を使用して基盤となる動的システムを再構築することで、オンライン予測を行う。 提案手法は,進化するロレンツ63力学系を予測する際に,最先端のDNNモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-04-10T16:18:37Z)
• Online Evolutionary Neural Architecture Search for Multivariate Non-Stationary Time Series Forecasting [72.89994745876086]
  本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。 ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。 その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
  論文  参考訳（メタデータ） (2023-02-20T22:25:47Z)
• DeepBayes -- an estimator for parameter estimation in stochastic nonlinear dynamical models [11.917949887615567]
  本研究では,DeepBayes推定器を提案する。 ディープリカレントニューラルネットワークアーキテクチャはオフラインでトレーニングでき、推論中にかなりの時間を節約できる。 提案手法の異なる実例モデルへの適用性を実証し, 最先端手法との詳細な比較を行う。
  論文  参考訳（メタデータ） (2022-05-04T18:12:17Z)
• MAD: Self-Supervised Masked Anomaly Detection Task for Multivariate Time Series [14.236092062538653]
  Masked Anomaly Detection (MAD) は多変量時系列異常検出のための汎用的な自己教師型学習タスクである。 入力の一部をランダムにマスキングしてモデルをトレーニングすることで、MADは従来の左から右への次のステップ予測(NSP)タスクよりも改善される。 実験の結果,MADは従来のNSP法よりも優れた異常検出率が得られることが示された。
  論文  参考訳（メタデータ） (2022-05-04T14:55:42Z)
• Hybridization of Capsule and LSTM Networks for unsupervised anomaly detection on multivariate data [0.0]
  本稿では,Long-Short-Term-Memory(LSTM)とCapsule Networksを1つのネットワークに結合した新しいNNアーキテクチャを提案する。 提案手法は教師なし学習手法を用いて大量のラベル付きトレーニングデータを見つける際の問題を克服する。
  論文  参考訳（メタデータ） (2022-02-11T10:33:53Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• Dynamic Time Warping as a New Evaluation for Dst Forecast with Machine Learning [0.0]
  ニューラルネットワークをトレーニングして、発生時刻の暴風雨時指数を1時間から6時間まで予測する。 相関係数とRMSEによるモデルの結果の検査により,最新の論文に匹敵する性能を示した。 2つの時系列が互いに時間的にずれているかどうかを測定するために,新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-06-08T15:14:13Z)
• A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
  イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。 基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T23:10:50Z)

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。