Fugu-MT 論文翻訳(概要): Expert enhanced dynamic time warping based anomaly detection

論文の概要: Expert enhanced dynamic time warping based anomaly detection

arxiv url: http://arxiv.org/abs/2310.02280v1
Date: Mon, 2 Oct 2023 04:54:04 GMT
ステータス: 処理完了
システム内更新日: 2023-10-05 18:23:03.632401
Title: Expert enhanced dynamic time warping based anomaly detection
Title（参考訳）: エキスパート強化動的時間ゆらぎに基づく異常検出
Authors: Matej Kloska, Gabriela Grmanova, Viera Rozinajova
Abstract要約: 本稿では,E-DTWA(Expert enhanced dynamic time warping anomaly detection)と呼ばれる新しい異常検出手法を提案する。 DTWをベースにしており、Human-in-the-loopコンセプトを含むさらなる拡張が加えられている。提案手法の主な利点は、専門家の検知フィードバックを強く考慮した、効率的な検出、柔軟な再訓練である。
参考スコア（独自算出の注目度）: 1.3812010983144802
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Dynamic time warping (DTW) is a well-known algorithm for time series elastic dissimilarity measure. Its ability to deal with non-linear time distortions makes it helpful in variety of data mining tasks. Such a task is also anomaly detection which attempts to reveal unexpected behaviour without false detection alarms. In this paper, we propose a novel anomaly detection method named Expert enhanced dynamic time warping anomaly detection (E-DTWA). It is based on DTW with additional enhancements involving human-in-the-loop concept. The main benefits of our approach comprise efficient detection, flexible retraining based on strong consideration of the expert's detection feedback while retaining low computational and space complexity.
Abstract（参考訳）: 動的時間ウォーピング (dynamic time warping, dtw) は、時系列の弾性異質性尺度のためのよく知られたアルゴリズムである。非線形時間歪みに対処する能力は、様々なデータマイニングタスクに役立ちます。このようなタスクも異常検出であり、誤検知アラームなしで予期せぬ振る舞いを明らかにしようとする。本稿では,新しい異常検出法であるexpert enhanced dynamic time warping anomaly detection (e-dtwa)を提案する。 DTWをベースにしており、Human-in-the-loopコンセプトを含むさらなる拡張が加えられている。提案手法の主な利点は,計算量や空間の複雑さを低く保ちながら,専門家の検知フィードバックを強く考慮した,効率的な検出と柔軟な再訓練である。

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)
Fast Particle-based Anomaly Detection Algorithm with Variational Autoencoder [1.658130005539979]
本研究では,粒子ベース変分オートエンコーダ(VAE)の異常検出アルゴリズムであるSet-VAEを提案する。従来のサブジェティネスに基づくジェット選択と比較して2倍の信号効率向上を示す。システムトリガの今後の展開に注目して,異常検出の推論時間コストを削減するCLIP-VAEを提案する。
論文参考訳（メタデータ） (2023-11-28T19:00:29Z)
Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
論文参考訳（メタデータ） (2022-11-16T21:31:39Z)
A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文参考訳（メタデータ） (2022-09-23T06:09:35Z)
Robust Time Series Dissimilarity Measure for Outlier Detection and Periodicity Detection [16.223509730658513]
本稿では,ノイズや外れ値の影響を低減するため,RobostDTWという新しい時系列差分尺度を提案する。具体的には、ロバストDTWは、設計した時間グラフトレンドフィルタリングを利用して、トレンドを推定し、時間ワープを交互に最適化する。実世界のデータセットを用いた実験では、外乱時系列検出と周期性検出の両方において、DTWの変種と比較してロバストDTWの優れた性能を示す。
論文参考訳（メタデータ） (2022-06-07T00:49:16Z)
Anomaly Rule Detection in Sequence Data [2.3757190901941736]
本稿では,一組のシーケンスからユーティリティを意識した外部規則の発見を可能にする,DUOSと呼ばれる新しい異常検出フレームワークを提案する。本研究では,集団の異常性と実用性を両立させ,ユーティリティ・アウェア・アウトリー・ルール(UOSR)の概念を導入する。
論文参考訳（メタデータ） (2021-11-29T23:52:31Z)
Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-05-06T08:48:02Z)
A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文参考訳（メタデータ） (2020-10-29T08:27:43Z)
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)
ReRe: A Lightweight Real-time Ready-to-Go Anomaly Detection Approach for Time Series [0.27528170226206433]
本稿では,リアルタイム・レディ・トゥ・ゴー・プロアクティブ・異常検出アルゴリズムReReを紹介する。 ReReは2つの軽量Long Short-Term Memory (LSTM)モデルを使用して、次のデータポイントが異常であるか否かを予測し、共同で判断する。実世界の時系列データセットに基づく実験は、リアルタイム異常検出におけるReReの優れた性能を示す。
論文参考訳（メタデータ） (2020-04-05T21:26:24Z)
RePAD: Real-time Proactive Anomaly Detection for Time Series [0.27528170226206433]
RePADはLong Short-Term Memory (LSTM)に基づくストリーミング時系列のリアルタイム能動異常検出アルゴリズムである検出しきい値を時間とともに動的に調整することにより、RePADは時系列におけるマイナーパターンの変更を許容し、前向きまたは時間的に異常を検出することができる。
論文参考訳（メタデータ） (2020-01-24T09:13:33Z)

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。