Fugu-MT 論文翻訳(概要): Time Series Anomaly Detection using Diffusion-based Models

論文の概要: Time Series Anomaly Detection using Diffusion-based Models

arxiv url: http://arxiv.org/abs/2311.01452v1
Date: Thu, 2 Nov 2023 17:58:09 GMT
ステータス: 処理完了
システム内更新日: 2023-11-03 12:09:16.320311
Title: Time Series Anomaly Detection using Diffusion-based Models
Title（参考訳）: 拡散モデルを用いた時系列異常検出
Authors: Ioana Pintilie, Andrei Manolache and Florin Brad
Abstract要約: 拡散モデルは画像の異常検出に最近用いられている。多変量時系列における異常検出にも活用できるかどうかを検討する。我々のモデルは、合成データセットのベースラインを上回り、実世界のデータセットと競合する。
参考スコア（独自算出の注目度）: 5.896413260185387
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Diffusion models have been recently used for anomaly detection (AD) in images. In this paper we investigate whether they can also be leveraged for AD on multivariate time series (MTS). We test two diffusion-based models and compare them to several strong neural baselines. We also extend the PA%K protocol, by computing a ROCK-AUC metric, which is agnostic to both the detection threshold and the ratio K of correctly detected points. Our models outperform the baselines on synthetic datasets and are competitive on real-world datasets, illustrating the potential of diffusion-based methods for AD in multivariate time series.
Abstract（参考訳）: 拡散モデルは画像の異常検出(AD)に最近使用されている。本稿では,多変量時系列(MTS)上でのADにも活用できるかどうかを検討する。 2つの拡散モデルを試し、それらをいくつかの強い神経ベースラインと比較する。また,検出しきい値と検出された点の比率Kの両方に依存しないROCK-AUCメトリックを演算することにより,PA%Kプロトコルを拡張した。我々のモデルは, 合成データセットのベースラインよりも優れており, 多変量時系列におけるAD拡散法の可能性を示している。

関連論文リスト

Distillation of Discrete Diffusion through Dimensional Correlations [21.078500510691747]
離散拡散における「ミクチャー」モデルは、拡張性を維持しながら次元相関を扱える。 CIFAR-10データセットで事前学習した連続時間離散拡散モデルを蒸留することにより,提案手法が実際に動作することを実証的に実証した。
論文参考訳（メタデータ） (2024-10-11T10:53:03Z)
Convergence of Score-Based Discrete Diffusion Models: A Discrete-Time Analysis [56.442307356162864]
連続時間マルコフ連鎖(CTMC)に基づくスコアベース離散拡散モデルの理論的側面について検討する。本稿では,事前定義された時間点におけるスコア推定値を利用する離散時間サンプリングアルゴリズムを一般状態空間$[S]d$に導入する。我々の収束解析はジルサノフ法を用いて離散スコア関数の重要な性質を確立する。
論文参考訳（メタデータ） (2024-10-03T09:07:13Z)
Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文参考訳（メタデータ） (2024-07-19T13:33:38Z)
Projection Regret: Reducing Background Bias for Novelty Detection via Diffusion Models [72.07462371883501]
本研究では,非意味情報のバイアスを緩和する効率的な新規性検出手法であるemphProjection Regret(PR)を提案する。 PRは、テスト画像とその拡散ベースの投影の間の知覚距離を計算し、異常を検出する。拡張実験により、PRは生成モデルに基づく新規性検出手法の先行技術よりも有意なマージンで優れていることが示された。
論文参考訳（メタデータ） (2023-12-05T09:44:47Z)
Diffusion models for probabilistic programming [56.47577824219207]
拡散モデル変分推論(DMVI)は確率型プログラミング言語(PPL)における自動近似推論手法である DMVIは実装が容易で、例えば正規化フローを用いた変分推論の欠点を伴わずに、PPLでヘイズルフリー推論が可能であり、基礎となるニューラルネットワークモデルに制約を課さない。
論文参考訳（メタデータ） (2023-11-01T12:17:05Z)
Denoising Diffusion Samplers [41.796349001299156]
拡散モデルの認知は、多くの領域で最先端の結果を提供する生成モデルの一般的なクラスである。我々は、非正規化確率密度関数から大まかにサンプリングし、それらの正規化定数を推定する類似のアイデアを探求する。この文脈ではスコアマッチングは適用できないが、モンテカルロサンプリングのために生成的モデリングで導入された多くのアイデアを利用することができる。
論文参考訳（メタデータ） (2023-02-27T14:37:16Z)
Membership Inference Attacks against Diffusion Models [0.0]
拡散モデルは近年、革新的な生成モデルとして注目されている。本研究では,拡散モデルがメンバシップ推論攻撃に耐性があるかどうかを検討する。
論文参考訳（メタデータ） (2023-02-07T05:20:20Z)
How Much is Enough? A Study on Diffusion Times in Score-based Generative Models [76.76860707897413]
現在のベストプラクティスは、フォワードダイナミクスが既知の単純なノイズ分布に十分に近づくことを確実にするために大きなTを提唱している。本稿では, 理想とシミュレーションされたフォワードダイナミクスのギャップを埋めるために補助モデルを用いて, 標準的な逆拡散過程を導出する方法について述べる。
論文参考訳（メタデータ） (2022-06-10T15:09:46Z)
Robust Audio Anomaly Detection [10.75127981612396]
提案されたアプローチは、トレーニングデータセットにラベル付き異常が存在することを前提としません。時間力学は、注意機構を付加した繰り返し層を用いてモデル化される。ネットワークの出力は、外向きの頑健な確率密度関数である。
論文参考訳（メタデータ） (2022-02-03T17:19:42Z)
CSDI: Conditional Score-based Diffusion Models for Probabilistic Time Series Imputation [107.63407690972139]
Conditional Score-based Diffusion Model for Imputation (CSDI) は、観測データに条件付きスコアベース拡散モデルを利用する新しい時系列計算法である。 CSDIは、一般的なパフォーマンスメトリクスの既存の確率論的計算方法よりも40-70%改善されている。さらに、Cは最先端の決定論的計算法と比較して誤差を5-20%削減する。
論文参考訳（メタデータ） (2021-07-07T22:20:24Z)

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。