論文の概要: Making the End-User a Priority in Benchmarking: OrionBench for
Unsupervised Time Series Anomaly Detection
- arxiv url: http://arxiv.org/abs/2310.17748v2
- Date: Mon, 4 Mar 2024 20:39:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-07 01:46:24.069088
- Title: Making the End-User a Priority in Benchmarking: OrionBench for
Unsupervised Time Series Anomaly Detection
- Title(参考訳): ベンチマークにおけるエンドユーザの優先性: 教師なし時系列異常検出のためのOrionBench
- Authors: Sarah Alnegheimish, Laure Berti-Equille, Kalyan Veeramachaneni
- Abstract要約: 時系列異常検出は、医療における患者のモニタリング、金融の予測、エネルギーの予測保守など、多くのアプリケーション領域で一般的な問題である。
We propose OrionBench -- a user centric continuous maintain benchmark for unsupervised time series anomaly detection。
OrionBenchの使用状況と,3年間で公開された16リリースにわたるパイプラインの進行状況について紹介する。
- 参考スコア(独自算出の注目度): 9.054540533394924
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series anomaly detection is a prevalent problem in many application
domains such as patient monitoring in healthcare, forecasting in finance, or
predictive maintenance in energy. This has led to the emergence of a plethora
of anomaly detection methods, including more recently, deep learning based
methods. Although several benchmarks have been proposed to compare newly
developed models, they usually rely on one-time execution over a limited set of
datasets and the comparison is restricted to a few models. We propose
OrionBench -- a user centric continuously maintained benchmark for unsupervised
time series anomaly detection. The framework provides universal abstractions to
represent models, extensibility to add new pipelines and datasets,
hyperparameter standardization, pipeline verification, and frequent releases
with published benchmarks. We demonstrate the usage of OrionBench, and the
progression of pipelines across 16 releases published over the course of three
years. Moreover, we walk through two real scenarios we experienced with
OrionBench that highlight the importance of continuous benchmarks in
unsupervised time series anomaly detection.
- Abstract(参考訳): 時系列異常検出は、医療における患者のモニタリング、財務の予測、エネルギーの予測メンテナンスなど、多くのアプリケーション領域で一般的な問題である。
これにより、最近ではディープラーニングベースの手法を含む、多くの異常検出方法が出現した。
新しく開発されたモデルを比較するためにいくつかのベンチマークが提案されているが、通常は限られたデータセットに対して1回の実行に依存しており、比較はいくつかのモデルに限定されている。
我々はorionbenchを提案する。orionbenchは教師なし時系列異常検出のためのユーザ中心の連続保守型ベンチマークである。
このフレームワークは、モデルを表現するための普遍的な抽象化、新しいパイプラインとデータセットを追加する拡張性、ハイパーパラメータの標準化、パイプライン検証、公開ベンチマークによる頻繁なリリースを提供する。
OrionBenchの使用状況と,3年間で公開された16リリースにわたるパイプラインの進行状況について紹介する。
さらに、OrionBenchで経験した2つの実際のシナリオを調べ、教師なし時系列異常検出における連続ベンチマークの重要性を強調します。
関連論文リスト
- TimeSeriesBench: An Industrial-Grade Benchmark for Time Series Anomaly
Detection Models [22.23993481906648]
時系列異常検出(TSAD)は学術的にも産業的にも大きな関心を集めている。
しかし,既存のアルゴリズムでは,トレーニングパラダイム,オンライン検出パラダイム,評価基準の面でギャップがある。
業界グレードのベンチマークであるTimeSeriesBenchを提案する。
論文 参考訳(メタデータ) (2024-02-16T16:25:20Z) - 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) - LARA: A Light and Anti-overfitting Retraining Approach for Unsupervised
Time Series Anomaly Detection [49.52429991848581]
深部変分自動エンコーダに基づく時系列異常検出手法(VAE)のための光・反オーバーフィット学習手法(LARA)を提案する。
本研究の目的は,1) 再学習過程を凸問題として定式化し, 過度に収束できること,2) 履歴データを保存せずに活用するルミネートブロックを設計すること,3) 潜在ベクトルと再構成データの微調整を行うと, 線形形成が基底真実と微調整されたブロックとの誤りを最小に調整できることを数学的に証明することである。
論文 参考訳(メタデータ) (2023-10-09T12:36:16Z) - Low-count Time Series Anomaly Detection [1.3207844222875191]
低数の時系列はスパースまたは断続的なイベントを記述しており、多様なデータタイプをキャプチャし監視する大規模オンラインプラットフォームで広く使われている。
低数時系列、特に低信号対雑音比をモデル化する際、いくつかの異なる課題が表面化している。
異常セグメントを持つ低カウント時系列からなるベンチマークデータセットを作成するための新しい生成手順を提案する。
論文 参考訳(メタデータ) (2023-08-24T16:58:30Z) - 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) - Time series anomaly detection with reconstruction-based state-space
models [10.085100442558828]
本稿では,時系列データに対する新しい教師なし異常検出手法を提案する。
長い短期記憶(LSTM)ベースのエンコーダデコーダを用いて観測空間と潜時空間のマッピングを行う。
潜在空間の正規化は、通常のサンプルの状態に制約を課し、マハラノビス距離を用いて異常レベルを評価する。
論文 参考訳(メタデータ) (2023-03-06T17:52:35Z) - Multi-scale Anomaly Detection for Big Time Series of Industrial Sensors [50.6434162489902]
そこで本研究では,自然にスムーズな時系列を復号・符号化する手法であるMissGANを提案する。
MissGANはラベルを必要としないし、通常のインスタンスのラベルだけを必要とするので、広く適用できます。
論文 参考訳(メタデータ) (2022-04-18T04:34:15Z) - TiSAT: Time Series Anomaly Transformer [30.68108039722565]
本稿では,この評価基準により,初歩的なランダム・ギーズ法が最先端の検出器より優れていることを示す。
本研究では,逐次異常検出の時系列と精度を計測する適切な評価指標を提案する。
論文 参考訳(メタデータ) (2022-03-10T05:46:58Z) - 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) - Anomaly Detection at Scale: The Case for Deep Distributional Time Series
Models [14.621700495712647]
我々のアプローチの主な特徴は、実値または実値のベクトルからなる時系列をモデル化するのではなく、実値(またはベクトル)上の確率分布の時系列をモデル化することである。
本手法は,数百万の時系列上の異常検出とスケールのストリーミングに有効である。
我々は,オープンソースの異常検出ツールを,実世界のデータセットに対する平均17%の改善率で上回っていることを示す。
論文 参考訳(メタデータ) (2020-07-30T15:48:55Z) - A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。
基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
論文 参考訳(メタデータ) (2020-02-21T23:10:50Z)
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。