Fugu-MT 論文翻訳(概要): Effective Abnormal Activity Detection on Multivariate Time Series Healthcare Data

論文の概要: Effective Abnormal Activity Detection on Multivariate Time Series Healthcare Data

arxiv url: http://arxiv.org/abs/2309.05845v1
Date: Mon, 11 Sep 2023 22:08:09 GMT
ステータス: 処理完了
システム内更新日: 2023-09-13 15:00:20.727696
Title: Effective Abnormal Activity Detection on Multivariate Time Series Healthcare Data
Title（参考訳）: 多変量時系列医療データによる効果的な異常活動検出
Authors: Mengjia Niu, Yuchen Zhao, Hamed Haddadi
Abstract要約: 本稿では,効率的な表現学習と異常行動検出のための残差に基づく異常検出手法Rs-ADを提案する。本手法を実世界の歩行データセット上で評価し,実験結果からF1スコアが0.839であることを示す。
参考スコア（独自算出の注目度）: 8.84352369893021
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multivariate time series (MTS) data collected from multiple sensors provide the potential for accurate abnormal activity detection in smart healthcare scenarios. However, anomalies exhibit diverse patterns and become unnoticeable in MTS data. Consequently, achieving accurate anomaly detection is challenging since we have to capture both temporal dependencies of time series and inter-relationships among variables. To address this problem, we propose a Residual-based Anomaly Detection approach, Rs-AD, for effective representation learning and abnormal activity detection. We evaluate our scheme on a real-world gait dataset and the experimental results demonstrate an F1 score of 0.839.
Abstract（参考訳）: 複数のセンサから収集された多変量時系列(mts)データは、スマート医療シナリオにおける正確な異常アクティビティ検出の可能性を提供する。しかし、異常は多様なパターンを示し、mtsデータでは目立たない。したがって,時系列の時間依存性と変数間の相互関係を捉える必要があるため,正確な異常検出を実現することは困難である。この問題に対処するために、効率的な表現学習と異常行動検出のための残留型異常検出手法Rs-ADを提案する。本手法を実世界の歩行データセット上で評価し,実験結果からF1スコアが0.839であることを示す。

関連論文リスト

DACR: Distribution-Augmented Contrastive Reconstruction for Time-Series Anomaly Detection [12.3866167448478]
時系列データの異常検出は、さまざまなアプリケーションにわたる障害、障害、脅威、異常を識別するために不可欠である。近年、このトピックにディープラーニング技術が適用されているが、現実のシナリオではしばしば苦労している。本稿では,これらの課題に対処するため,DACR(Distributed-Augmented Contrastive Reconstruction)を提案する。
論文参考訳（メタデータ） (2024-01-20T16:56:52Z)
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)
CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
論文参考訳（メタデータ） (2023-08-18T04:45:56Z)
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)
Abnormal Event Detection via Hypergraph Contrastive Learning [54.80429341415227]
異常事象検出は多くの実アプリケーションにおいて重要な役割を果たす。本稿では,分散異種情報ネットワークにおける異常事象検出問題について検討する。 AEHCLと呼ばれる新しいハイパーグラフコントラスト学習法が,異常事象のパターンをフルに捉えるために提案されている。
論文参考訳（メタデータ） (2023-04-02T08:23:20Z)
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)
Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文参考訳（メタデータ） (2022-06-30T06:00:13Z)
An Evaluation of Anomaly Detection and Diagnosis in Multivariate Time Series [7.675917669905486]
本稿では,異常検出・診断のための教師なし・半教師付き深層学習手法の体系的・包括的評価について述べる。我々は、10のモデルと4のスコアリング関数のグリッドを通して、モデルエラーのモデルと後処理を変え、これらの変種を最先端の手法と比較する。既存の評価指標は、事象を考慮に入れていないか、良い検知器と自明な検出器を区別できないかのどちらかである。
論文参考訳（メタデータ） (2021-09-23T15:14:24Z)
Unsupervised Deep Anomaly Detection for Multi-Sensor Time-Series Signals [10.866594993485226]
本稿では,Deep Convolutional Autoencoding Memory Network (CAE-M) という,ディープラーニングに基づく新しい異常検出アルゴリズムを提案する。我々はまず,最大平均離散値(MMD)を用いたマルチセンサデータの空間依存性を特徴付けるディープ畳み込みオートエンコーダを構築する。そして,線形(自己回帰モデル)と非線形予測(注意を伴う大規模LSTM)からなるメモリネットワークを構築し,時系列データから時間依存性を捉える。
論文参考訳（メタデータ） (2021-07-27T06:48:20Z)
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。