論文の概要: Nominality Score Conditioned Time Series Anomaly Detection by Point/Sequential Reconstruction

• arxiv url: http://arxiv.org/abs/2310.15416v1
• Date: Tue, 24 Oct 2023 00:14:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-25 21:09:36.485998
• Title: Nominality Score Conditioned Time Series Anomaly Detection by Point/Sequential Reconstruction
• Title（参考訳）: 点/系列再構成による名目性スコア条件付き時系列異常検出
• Authors: Chih-Yu Lai, Fan-Keng Sun, Zhengqi Gao, Jeffrey H. Lang, and Duane S. Boning
• Abstract要約: 時系列異常検出は、複雑で様々なパターンが生じるため、困難である。 時間に依存した関係をモデル化してコンテキスト異常を見つけることが大きな困難である。 本稿では,ポイントベースおよびシーケンスベース再構成モデルを用いた教師なし時系列異常検出のためのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 10.63786614057115
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Time series anomaly detection is challenging due to the complexity and variety of patterns that can occur. One major difficulty arises from modeling time-dependent relationships to find contextual anomalies while maintaining detection accuracy for point anomalies. In this paper, we propose a framework for unsupervised time series anomaly detection that utilizes point-based and sequence-based reconstruction models. The point-based model attempts to quantify point anomalies, and the sequence-based model attempts to quantify both point and contextual anomalies. Under the formulation that the observed time point is a two-stage deviated value from a nominal time point, we introduce a nominality score calculated from the ratio of a combined value of the reconstruction errors. We derive an induced anomaly score by further integrating the nominality score and anomaly score, then theoretically prove the superiority of the induced anomaly score over the original anomaly score under certain conditions. Extensive studies conducted on several public datasets show that the proposed framework outperforms most state-of-the-art baselines for time series anomaly detection.
• Abstract（参考訳）: 時系列異常検出は、複雑で様々なパターンが発生するため困難である。 時間依存関係をモデル化して、点異常の検出精度を維持しながらコンテキスト異常を見つけることが大きな課題である。 本稿では,ポイントベースおよびシーケンスベース再構成モデルを用いた教師なし時系列異常検出のためのフレームワークを提案する。 点ベースモデルは点異常の定量化を試み、シーケンスベースモデルは点と文脈異常の定量化を試みる。 観測された時刻が名目時点から2段階のずれ値であるという定式化において、復元誤差の組合せ値の比率から算出した名目スコアを導入する。 本研究は,発音スコアと異常スコアとを更に統合して誘導異常スコアを導出し,特定の条件下で誘導異常スコアが元の異常スコアよりも優れていることを理論的に証明する。 いくつかの公開データセットに関する広範な研究により、提案されたフレームワークは、時系列異常検出のための最先端のベースラインよりも優れていることが示されている。

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)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• MadSGM: Multivariate Anomaly Detection with Score-based Generative Models [22.296610226476542]
  スコアベース生成モデルに基づく時系列異常検出器MadSGMを提案する。 5つの実世界のベンチマークデータセットの実験は、MadSGMが最も堅牢で正確な予測を達成していることを示している。
  論文  参考訳（メタデータ） (2023-08-29T07:04:50Z)
• 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)
• 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)
• Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy [68.86835407617778]
  Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。 Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-10-06T10:33:55Z)
• 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)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• Anomaly Detection in Predictive Maintenance: A New Evaluation Framework for Temporal Unsupervised Anomaly Detection Algorithms [9.316869851584771]
  異常検出の研究は、異常なインスタンスを表すものの統一的な定義を欠いている。 本稿では、教師なし異常検出アルゴリズムを評価するために、区間に対する正および負のインスタンスの概念を提案する。 この定義の有用性を示すために,企業ArcelorMittalが提供する実世界の時系列問題を用いたビッグデータアルゴリズムのケーススタディを含む。
  論文  参考訳（メタデータ） (2021-05-26T20:15:40Z)

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。