論文の概要: MIM-GAN-based Anomaly Detection for Multivariate Time Series Data

• arxiv url: http://arxiv.org/abs/2310.18257v1
• Date: Thu, 26 Oct 2023 02:09:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-30 13:09:24.600761
• Title: MIM-GAN-based Anomaly Detection for Multivariate Time Series Data
• Title（参考訳）: 多変量時系列データのMIM-GANによる異常検出
• Authors: Shan Lu, Zhicheng Dong, Donghong Cai, Fang Fang and Dongcai Zhao
• Abstract要約: GAN(Generative Adversarial Network)の損失関数は,異常検出のための生成サンプルの品質と多様性に影響を与える重要な要因である。 メッセージ重要度尺度(MIM-GAN)を用いたGANに基づく教師なし多重時系列異常検出アルゴリズムを提案する。 実験の結果,MIM-GANに基づく異常検出アルゴリズムは精度,リコール,F1スコアにおいて優れた性能を示した。
• 参考スコア（独自算出の注目度）: 7.734588574138427
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The loss function of Generative adversarial network(GAN) is an important factor that affects the quality and diversity of the generated samples for anomaly detection. In this paper, we propose an unsupervised multiple time series anomaly detection algorithm based on the GAN with message importance measure(MIM-GAN). In particular, the time series data is divided into subsequences using a sliding window. Then a generator and a discriminator designed based on the Long Short-Term Memory (LSTM) are employed to capture the temporal correlations of the time series data. To avoid the local optimal solution of loss function and the model collapse, we introduce an exponential information measure into the loss function of GAN. Additionally, a discriminant reconstruction score consisting on discrimination and reconstruction loss is taken into account. The global optimal solution for the loss function is derived and the model collapse is proved to be avoided in our proposed MIM-GAN-based anomaly detection algorithm. Experimental results show that the proposed MIM-GAN-based anomaly detection algorithm has superior performance in terms of precision, recall, and F1 score.
• Abstract（参考訳）: GAN(Generative Adversarial Network)の損失関数は,異常検出のための生成サンプルの品質と多様性に影響を与える重要な要因である。 本稿では,メッセージ重要度尺度(MIM-GAN)を用いたGANに基づく教師なし多重時系列異常検出アルゴリズムを提案する。 特に、時系列データはスライディングウインドウを用いてサブシーケンスに分割される。 次に、Long Short-Term Memory(LSTM)に基づいて設計されたジェネレータと判別器を用いて時系列データの時間相関をキャプチャする。 損失関数の局所最適解とモデル崩壊を避けるため, GANの損失関数に指数的情報測度を導入する。 また、識別と再構成損失からなる判別的再構成スコアも考慮される。 損失関数に対する大域的最適解を導出し,提案するmim-ganに基づく異常検出アルゴリズムでモデル崩壊を回避できることを証明した。 実験の結果,MIM-GANに基づく異常検出アルゴリズムは精度,リコール,F1スコアにおいて優れた性能を示した。

関連論文リスト

• TSINR: Capturing Temporal Continuity via Implicit Neural Representations for Time Series Anomaly Detection [22.367552254229665]
  時系列異常検出は、データの異常なパターンや、システムの期待する振る舞いからの逸脱を特定することを目的としている。 このタスクでは、教師なし学習を通じてポイントワイド表現を学習するリコンストラクションベースの手法が主流である。 本稿では,暗黙的ニューラル表現(INR)再構成に基づく時系列異常検出手法TSINRを提案する。
  論文  参考訳（メタデータ） (2024-11-18T15:19:54Z)
• 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)
• ALGAN: Time Series Anomaly Detection with Adjusted-LSTM GAN [0.9065034043031667]
  時系列データの異常検出は、製造、医療画像、サイバーセキュリティといった様々な領域で一般的な問題である。 近年,GAN(Generative Adversarial Networks)は時系列データの異常検出に有効であることが示されている。 本稿では,ALGAN(Adjusted-LSTM GAN)と呼ばれる新しいGANモデルを提案する。
  論文  参考訳（メタデータ） (2023-08-13T02:17:19Z)
• Detection of Anomalies in Multivariate Time Series Using Ensemble Techniques [3.2422067155309806]
  最終的な決定に向けて,複数の基本モデルを組み合わせたアンサンブル手法を提案する。 また,ロジスティック回帰器を用いて基本モデルの出力を結合する半教師付き手法を提案する。 異常検出精度の点での性能改善は、教師なしモデルでは2%、半教師なしモデルでは少なくとも10%に達する。
  論文  参考訳（メタデータ） (2023-08-06T17:51:22Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• From MIM-Based GAN to Anomaly Detection:Event Probability Influence on Generative Adversarial Networks [13.599726672717827]
  本稿では,MIM ベース GAN と呼ばれる指数情報メトリクスを GAN に導入する。 そこで本研究では,MIMに基づくGANを用いた異常検出手法を提案するとともに,教師なし学習事例の原理を説明する。
  論文  参考訳（メタデータ） (2022-03-25T06:08:03Z)
• Causal Discovery from Sparse Time-Series Data Using Echo State Network [0.0]
  時系列データ間の因果関係の発見は、症状の原因の診断に役立つ。 本稿では,2つの部分から構成される新しいシステムを提案する。第1部はガウスプロセス回帰を,第2部はエコー状態ネットワークを活用する。 本稿では,対応するマシューズ相関係数 (MCC) と受信器動作特性曲線 (ROC) について報告する。
  論文  参考訳（メタデータ） (2022-01-09T05:55:47Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Loss Function Discovery for Object Detection via Convergence-Simulation Driven Search [101.73248560009124]
  本稿では,効率的な収束シミュレーションによる進化的探索アルゴリズムCSE-Autolossを提案する。 一般的な検出器上での損失関数探索の広範囲な評価を行い、探索された損失の優れた一般化能力を検証した。 実験の結果, 2段検出器と1段検出器のmAPでは, 最適損失関数の組み合わせが1.1%と0.8%を上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-02-09T08:34:52Z)
• ESAD: End-to-end Deep Semi-supervised Anomaly Detection [85.81138474858197]
  正規データと異常データの間のKL偏差を計測する新たな目的関数を提案する。 提案手法は,複数のベンチマークデータセットの最先端性能を著しく上回っている。
  論文  参考訳（メタデータ） (2020-12-09T08:16:35Z)
• 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)

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。