論文の概要: Successive Data Injection in Conditional Quantum GAN Applied to Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2310.05307v1
• Date: Sun, 8 Oct 2023 22:58:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-12 08:42:00.405113
• Title: Successive Data Injection in Conditional Quantum GAN Applied to Time Series Anomaly Detection
• Title（参考訳）: 時系列異常検出に応用した条件量子GANにおける逐次データ注入
• Authors: Benjamin Kalfon, Soumaya Cherkaoui, Jean-Fr\'ed\'eric Laprade, Ola Ahmad and Shengrui Wang
• Abstract要約: 逐次データインジェクション(SuDaI)と呼ばれる新しい高次元符号化手法を提案する。 SuDaIエンコーディングにより、既存のQGANよりもはるかに高次元のネットワークデータによる異常検出にQGANを適用することができる。
• 参考スコア（独自算出の注目度）: 9.485184460679232
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Classical GAN architectures have shown interesting results for solving anomaly detection problems in general and for time series anomalies in particular, such as those arising in communication networks. In recent years, several quantum GAN architectures have been proposed in the literature. When detecting anomalies in time series using QGANs, huge challenges arise due to the limited number of qubits compared to the size of the data. To address these challenges, we propose a new high-dimensional encoding approach, named Successive Data Injection (SuDaI). In this approach, we explore a larger portion of the quantum state than that in the conventional angle encoding, the method used predominantly in the literature, through repeated data injections into the quantum state. SuDaI encoding allows us to adapt the QGAN for anomaly detection with network data of a much higher dimensionality than with the existing known QGANs implementations. In addition, SuDaI encoding applies to other types of high-dimensional time series and can be used in contexts beyond anomaly detection and QGANs, opening up therefore multiple fields of application.
• Abstract（参考訳）: 古典的なGANアーキテクチャは、一般的な異常検出問題、特に通信ネットワークで発生するような時系列異常の解決に興味深い結果を示している。 近年、いくつかの量子GANアーキテクチャが文献で提案されている。 QGANを用いて時系列の異常を検出する場合、データのサイズに比べてキュービット数が限られているため、大きな問題が発生する。 これらの課題に対処するため,我々はシーケンシャルデータインジェクション(sudai)と呼ばれる新しい高次元エンコーディング手法を提案する。 本手法では,従来のアングルエンコーディング法よりも多くの量子状態を探索し,量子状態へのデータ注入を繰り返すことにより,主に文献で用いられる手法である。 SuDaIエンコーディングにより、既存のQGANよりもはるかに高次元のネットワークデータによる異常検出にQGANを適用することができる。 加えて、SuDaIエンコーディングは、他の種類の高次元時系列に適用され、異常検出やQGAN以外の文脈で使用することができるため、複数の分野のアプリケーションを開くことができる。

関連論文リスト

• Applying Quantum Autoencoders for Time Series Anomaly Detection [1.4732811715354452]
  異常検出は、不正検出、パターン認識、医療診断など、様々な分野の応用において重要な問題である。 本稿では,量子オートエンコーダの時系列異常検出への応用について検討する。
  論文  参考訳（メタデータ） (2024-10-05T13:29:25Z)
• Understanding the effects of data encoding on quantum-classical convolutional neural networks [0.0]
  量子化法の主要な構成要素は、古典的なデータを量子状態に埋め込むために使用されるデータ符号化戦略である。 本研究では、2つの医用画像データセット上での量子古典的畳み込みニューラルネットワーク(QCCNN)の性能に与える影響について検討する。
  論文  参考訳（メタデータ） (2024-05-05T18:44:08Z)
• 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)
• Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
  時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。 時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。 本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
  論文  参考訳（メタデータ） (2022-11-09T22:40:22Z)
• Series2Graph: Graph-based Subsequence Anomaly Detection for Time Series [22.630676187747696]
  長いシーケンスにおける後続異常検出は、幅広い領域の応用において重要な問題である。 本研究では,ドメイン列異常検出に適した教師なし手法を提案する。 本手法は,サブシーケンスの低次元非依存性埋め込みのグラフ表現に基づく。
  論文  参考訳（メタデータ） (2022-07-25T13:55:43Z)
• Deep Federated Anomaly Detection for Multivariate Time Series Data [93.08977495974978]
  本稿では,Fed-ExDNN(Federated Exemplar-based Deep Neural Network)を用いて,異なるエッジデバイス上での多変量時系列データの異常検出を行う。 ExDNNとFed-ExDNNは、最先端の異常検出アルゴリズムやフェデレーション学習技術より優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-09T05:06:58Z)
• 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)
• 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)
• 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)
• Multi-Scale One-Class Recurrent Neural Networks for Discrete Event Sequence Anomaly Detection [63.825781848587376]
  本稿では,離散イベントシーケンス中の異常を検出する1クラスリカレントニューラルネットワークOC4Seqを提案する。 具体的には、OC4Seqは離散イベントシーケンスを遅延空間に埋め込み、異常を容易に検出することができる。
  論文  参考訳（メタデータ） (2020-08-31T04:48:22Z)
• RobustTAD: Robust Time Series Anomaly Detection via Decomposition and Convolutional Neural Networks [37.16594704493679]
  本稿では,ロバスト時系列異常検出フレームワークRobustTADを提案する。 時系列データのために、堅牢な季節差分解と畳み込みニューラルネットワークを統合する。 パブリックオンラインサービスとしてデプロイされ、Alibaba Groupのさまざまなビジネスシナリオで広く採用されている。
  論文  参考訳（メタデータ） (2020-02-21T20:43:45Z)

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。