論文の概要: OrionBench: Benchmarking Time Series Generative Models in the Service of the End-User

• arxiv url: http://arxiv.org/abs/2310.17748v3
• Date: Sun, 24 Nov 2024 21:55:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:14:51.729710
• Title: OrionBench: Benchmarking Time Series Generative Models in the Service of the End-User
• Title（参考訳）: OrionBench: エンドユーザのサービスにおける時系列生成モデルのベンチマーク
• Authors: Sarah Alnegheimish, Laure Berti-Equille, Kalyan Veeramachaneni,
• Abstract要約: OrionBenchは、教師なし時系列異常検出モデルのための継続的ベンチマークフレームワークである。 OrionBenchの使用方法と,4年間で公開された17リリースにわたるパイプラインのパフォーマンスについて紹介する。
• 参考スコア（独自算出の注目度）: 8.05635934199494
• License:
• Abstract: Time series anomaly detection is a vital task in many domains, including patient monitoring in healthcare, forecasting in finance, and predictive maintenance in energy industries. This has led to a proliferation of anomaly detection methods, including deep learning-based methods. Benchmarks are essential for comparing the performances of these models as they emerge, in a fair, rigorous, and reproducible approach. Although several benchmarks for comparing models have been proposed, these usually rely on a one-time execution over a limited set of datasets, with comparisons restricted to a few models. We propose OrionBench: an end-user centric, continuously maintained benchmarking framework for unsupervised time series anomaly detection models. Our framework provides universal abstractions to represent models, hyperparameter standardization, extensibility to add new pipelines and datasets, pipeline verification, and frequent releases with published updates of the benchmark. We demonstrate how to use OrionBench, and the performance of pipelines across 17 releases published over the course of four years. We also walk through two real scenarios we experienced with OrionBench that highlight the importance of continuous benchmarking for 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、金融の予測、エネルギー産業における予測的メンテナンスなど、多くの領域において重要な課題である。 これにより、深層学習法を含む異常検出法が急増した。 ベンチマークは、公正で厳密で再現可能なアプローチで、これらのモデルのパフォーマンスを比較するために不可欠である。 モデルを比較するためのいくつかのベンチマークが提案されているが、これらのベンチマークは通常、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。 We propose OrionBench: a end-user centric, continuous maintaining benchmarking framework for unsupervised time series anomaly detection model。 我々のフレームワークは、モデルを表現する普遍的な抽象化、ハイパーパラメータの標準化、新しいパイプラインとデータセットの追加の拡張性、パイプライン検証、ベンチマークのアップデートを公開して頻繁なリリースを提供する。 私たちはOrionBenchの使用方法と,4年間で公開された17リリースにわたるパイプラインのパフォーマンスをデモします。 また、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継続的ベンチマークの重要性を強調します。

関連論文リスト

• Retrieval-Augmented Diffusion Models for Time Series Forecasting [19.251274915003265]
  検索時間拡張拡散モデル(RATD)を提案する。 RATDは埋め込みベースの検索プロセスと参照誘導拡散モデルという2つの部分から構成される。 当社のアプローチでは,データベース内の意味のあるサンプルを活用することで,サンプリングを支援し,データセットの利用を最大化することが可能です。
  論文  参考訳（メタデータ） (2024-10-24T13:14:39Z)
• GIFT-Eval: A Benchmark For General Time Series Forecasting Model Evaluation [90.53485251837235]
  時系列基礎モデルはゼロショット予測に優れ、明示的なトレーニングなしで多様なタスクを処理する。 GIFT-Evalは、多様なデータセットに対する評価を促進するための先駆的なベンチマークである。 GIFT-Evalには、144,000の時系列と17700万のデータポイントの23のデータセットが含まれている。
  論文  参考訳（メタデータ） (2024-10-14T11:29:38Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• TimeSeriesBench: An Industrial-Grade Benchmark for Time Series Anomaly Detection Models [21.658019069964755]
  時系列異常検出(TSAD)は実世界の応用により注目されている。 TSADが現実のデプロイメントの要件を満たすことができるかどうかを検証する効果的な方法はない。 本稿では,既存のアルゴリズムの性能を評価するため,産業用ベンチマーク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)
• Time Series Continuous Modeling for Imputation and Forecasting with Implicit Neural Representations [15.797295258800638]
  本稿では,実世界のデータでしばしば発生する課題に対処するために,時系列計算と予測のための新しいモデリング手法を提案する。 本手法はシリーズの進化力学の連続時間依存モデルに依存する。 メタラーニングアルゴリズムによって駆動される変調機構は、観測されたタイムウインドウを超えて、見えないサンプルや外挿への適応を可能にする。
  論文  参考訳（メタデータ） (2023-06-09T13:20:04Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• 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。