論文の概要: MST-GAT: A Multimodal Spatial-Temporal Graph Attention Network for Time
Series Anomaly Detection
- arxiv url: http://arxiv.org/abs/2310.11169v1
- Date: Tue, 17 Oct 2023 11:37:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-18 16:21:04.106125
- Title: MST-GAT: A Multimodal Spatial-Temporal Graph Attention Network for Time
Series Anomaly Detection
- Title(参考訳): 時系列異常検出のためのマルチモーダル空間時間グラフアテンションネットワークMST-GAT
- Authors: Chaoyue Ding, Shiliang Sun, Jing Zhao
- Abstract要約: マルチモーダル時系列(MTS)異常検出は,作業機器の安全性と安定性を維持する上で重要である。
近年の深層学習法は異常検出に大きな可能性を示しているが,空間的・時間的関係を明示的に捉えていない。
この問題に対処するためのマルチモーダル時空間グラフアテンションネットワーク(MST-GAT)を提案する。
- 参考スコア(独自算出の注目度): 37.1803255271591
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multimodal time series (MTS) anomaly detection is crucial for maintaining the
safety and stability of working devices (e.g., water treatment system and
spacecraft), whose data are characterized by multivariate time series with
diverse modalities. Although recent deep learning methods show great potential
in anomaly detection, they do not explicitly capture spatial-temporal
relationships between univariate time series of different modalities, resulting
in more false negatives and false positives. In this paper, we propose a
multimodal spatial-temporal graph attention network (MST-GAT) to tackle this
problem. MST-GAT first employs a multimodal graph attention network (M-GAT) and
a temporal convolution network to capture the spatial-temporal correlation in
multimodal time series. Specifically, M-GAT uses a multi-head attention module
and two relational attention modules (i.e., intra- and inter-modal attention)
to model modal correlations explicitly. Furthermore, MST-GAT optimizes the
reconstruction and prediction modules simultaneously. Experimental results on
four multimodal benchmarks demonstrate that MST-GAT outperforms the
state-of-the-art baselines. Further analysis indicates that MST-GAT strengthens
the interpretability of detected anomalies by locating the most anomalous
univariate time series.
- Abstract(参考訳): マルチモーダル時系列(MTS)異常検出は作業装置(例えば、水処理システムや宇宙船)の安全性と安定性を維持するために重要である。
近年のディープラーニング手法は異常検出において大きな可能性を示しているが、異なるモダリティの不定な時系列間の空間的-時間的関係を明示的に捉えていない。
本稿では,この問題に対処するためのマルチモーダル時空間グラフアテンションネットワーク(MST-GAT)を提案する。
MST-GATは、まずマルチモーダルグラフアテンションネットワーク(M-GAT)と時間畳み込みネットワークを用いて、マルチモーダル時系列における時空間相関を捉える。
具体的には,マルチヘッドアテンションモジュールと2つのリレーショナルアテンションモジュール(イントラモーダルアテンションとインターモーダルアテンション)を用いて,モーダル相関をモデル化する。
さらに、MST-GATは再構築モジュールと予測モジュールを同時に最適化する。
4つのマルチモーダルベンチマーク実験の結果、MST-GATは最先端のベースラインより優れていることが示された。
さらに解析した結果,MST-GATは検出された異常の解釈可能性を高めることが示唆された。
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) - Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。
グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。
グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
論文 参考訳(メタデータ) (2023-09-11T08:44:07Z) - Correlation-aware Spatial-Temporal Graph Learning for Multivariate
Time-series Anomaly Detection [67.60791405198063]
時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。
CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。
新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
論文 参考訳(メタデータ) (2023-07-17T11:04:27Z) - MTS-Mixers: Multivariate Time Series Forecasting via Factorized Temporal
and Channel Mixing [18.058617044421293]
本稿では,時系列予測の性能に対する注意機構の寄与と欠陥について検討する。
MTS-Mixersを提案する。これは2つの分解されたモジュールを用いて時間的およびチャネル的依存関係をキャプチャする。
いくつかの実世界のデータセットによる実験結果から、MTS-Mixersは既存のTransformerベースのモデルよりも高い効率で性能を発揮することが示された。
論文 参考訳(メタデータ) (2023-02-09T08:52:49Z) - An Unsupervised Short- and Long-Term Mask Representation for
Multivariate Time Series Anomaly Detection [2.387411589813086]
本稿では,教師なし短時間・長期マスク表現学習(SLMR)に基づく異常検出手法を提案する。
実験により,本手法の性能は,実世界の3つのデータセットにおいて,他の最先端モデルよりも優れていることが示された。
論文 参考訳(メタデータ) (2022-08-19T09:34:11Z) - Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。
我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。
本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文 参考訳(メタデータ) (2022-05-16T07:53:42Z) - HIFI: Anomaly Detection for Multivariate Time Series with High-order
Feature Interactions [7.016615391171876]
HIFIは自動的に多変量特徴相互作用グラフを構築し、グラフ畳み込みニューラルネットワークを使用して高次特徴相互作用を実現する。
3つの公開データセットの実験は、最先端のアプローチと比較して、我々のフレームワークの優位性を示している。
論文 参考訳(メタデータ) (2021-06-11T04:57:03Z) - 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)
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。