Fugu-MT 論文翻訳(概要): k-Parameter Approach for False In-Season Anomaly Suppression in Daily Time Series Anomaly Detection

論文の概要: k-Parameter Approach for False In-Season Anomaly Suppression in Daily Time Series Anomaly Detection

arxiv url: http://arxiv.org/abs/2311.08422v1
Date: Fri, 10 Nov 2023 23:29:32 GMT
ステータス: 処理完了
システム内更新日: 2023-11-19 14:04:31.683503
Title: k-Parameter Approach for False In-Season Anomaly Suppression in Daily Time Series Anomaly Detection
Title（参考訳）: kパラメータによる日次異常検出におけるFalse In-Season Anomaly Suppression
Authors: Vincent Yuansang Zha, Vaishnavi Kommaraju, Okenna Obi-Njoku, Vijay Dakshinamoorthy, Anirudh Agnihotri, Nantes Kirsten
Abstract要約: タスクを実行する典型的な方法は、分解方法を使用することである。この方法は、データポイントが週間の範囲内にあるが、平日の位置から外れているような偽陽性の結果をしばしば生成する。このタイプの異常を「シーズン内異常」と呼び、この問題に対処するためのk-パラメータアプローチを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Detecting anomalies in a daily time series with a weekly pattern is a common task with a wide range of applications. A typical way of performing the task is by using decomposition method. However, the method often generates false positive results where a data point falls within its weekly range but is just off from its weekday position. We refer to this type of anomalies as "in-season anomalies", and propose a k-parameter approach to address the issue. The approach provides configurable extra tolerance for in-season anomalies to suppress misleading alerts while preserving real positives. It yields favorable result.
Abstract（参考訳）: 毎週のパターンで毎日の時系列で異常を検出することは、幅広いアプリケーションで一般的なタスクである。タスクを実行する典型的な方法は、分解メソッドを使うことである。しかし、この方法は、データポイントが毎週の範囲内にあるが平日位置から外れているような偽陽性結果を生成することが多い。このタイプの異常を「シーズン内異常」と呼び、この問題に対処するためのkパラメータアプローチを提案する。このアプローチは、シーズン内異常に対する設定可能な余分な耐性を提供し、誤解を招くアラートを抑制しながら、真のポジティブを保ちます。それは良い結果をもたらす。

関連論文リスト

Adaptive Deviation Learning for Visual Anomaly Detection with Data Contamination [20.4008901760593]
そこで本研究では,偏差学習を応用して,異常スコアをエンドツーエンドに計算する手法を提案する。提案手法は競合する手法を超越し,データ汚染の存在下での安定性とロバスト性を示す。
論文参考訳（メタデータ） (2024-11-14T16:10:15Z)
Don't Miss Out on Novelty: Importance of Novel Features for Deep Anomaly Detection [64.21963650519312]
異常検出(AD)は、正規性の学習モデルに適合しない観察を識別する重要なタスクである。本稿では, 入力空間における説明不能な観測として, 説明可能性を用いた新しいAD手法を提案する。当社のアプローチでは,複数のベンチマークにまたがる新たな最先端性を確立し,さまざまな異常な型を扱う。
論文参考訳（メタデータ） (2023-10-01T21:24:05Z)
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)
Adaptive Thresholding Heuristic for KPI Anomaly Detection [1.57731592348751]
時系列領域では、多くの異常検知器が探索されているが、ビジネス的な意味では、すべての異常検出器が興味のある異常であるわけではない。本稿では,データ分布の局所特性に基づいて検出閾値を動的に調整し,時系列パターンの変化に適応する適応的閾値保持ヒューリスティック(ATH)を提案する。実験結果から, ATHは効率が良く, ほぼリアルタイムで異常検出が可能であり, 予測器や異常検出器で柔軟であることがわかった。
論文参考訳（メタデータ） (2023-08-21T06:45:28Z)
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)
UGainS: Uncertainty Guided Anomaly Instance Segmentation [80.12253291709673]
道路上の1つの予期せぬ物体が事故を引き起こしたり、怪我を負うことがある。現在のアプローチでは、各ピクセルに異常スコアを割り当てることで、異常セグメンテーションに取り組む。本稿では, 高精度な異常マスクを生成する手法を提案する。
論文参考訳（メタデータ） (2023-08-03T20:55:37Z)
Deep Contrastive One-Class Time Series Anomaly Detection [15.27593816198766]
時系列の逆1クラス異常検出法(COCA)を著者らにより提案する。元の表現と再構成された表現を、正対の負サンプルのないCL、すなわち「シーケンスコントラスト」として扱う。
論文参考訳（メタデータ） (2022-07-04T15:08:06Z)
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)
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)
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)
Toward Deep Supervised Anomaly Detection: Reinforcement Learning from Partially Labeled Anomaly Data [150.9270911031327]
本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
論文参考訳（メタデータ） (2020-09-15T03:05:39Z)

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。