論文の概要: Unraveling the "Anomaly" in Time Series Anomaly Detection: A
Self-supervised Tri-domain Solution
- arxiv url: http://arxiv.org/abs/2311.11235v2
- Date: Mon, 27 Nov 2023 01:15:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-30 12:29:13.507388
- Title: Unraveling the "Anomaly" in Time Series Anomaly Detection: A
Self-supervised Tri-domain Solution
- Title(参考訳): 時系列異常検出における「異常」の解法--自己教師付きトリドメイン解
- Authors: Yuting Sun, Guansong Pang, Guanhua Ye, Tong Chen, Xia Hu, Hongzhi Yin
- Abstract要約: 異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。
自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。
自己教師型3領域異常検出器(TriAD)を提案する。
- 参考スコア(独自算出の注目度): 89.16750999704969
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The ongoing challenges in time series anomaly detection (TSAD), notably the
scarcity of anomaly labels and the variability in anomaly lengths and shapes,
have led to the need for a more efficient solution. As limited anomaly labels
hinder traditional supervised models in TSAD, various SOTA deep learning
techniques, such as self-supervised learning, have been introduced to tackle
this issue. However, they encounter difficulties handling variations in anomaly
lengths and shapes, limiting their adaptability to diverse anomalies.
Additionally, many benchmark datasets suffer from the problem of having
explicit anomalies that even random functions can detect. This problem is
exacerbated by ill-posed evaluation metrics, known as point adjustment (PA),
which can result in inflated model performance. In this context, we propose a
novel self-supervised learning based Tri-domain Anomaly Detector (TriAD), which
addresses these challenges by modeling features across three data domains -
temporal, frequency, and residual domains - without relying on anomaly labels.
Unlike traditional contrastive learning methods, TriAD employs both
inter-domain and intra-domain contrastive loss to learn common attributes among
normal data and differentiate them from anomalies. Additionally, our approach
can detect anomalies of varying lengths by integrating with a discord discovery
algorithm. It is worth noting that this study is the first to reevaluate the
deep learning potential in TSAD, utilizing both rigorously designed datasets
(i.e., UCR Archive) and evaluation metrics (i.e., PA%K and affiliation).
Through experimental results on the UCR dataset, TriAD achieves an impressive
three-fold increase in PA%K based F1 scores over SOTA deep learning models, and
50% increase of accuracy as compared to SOTA discord discovery algorithms.
- Abstract(参考訳): 時系列異常検出(tsad: time series anomaly detection)における現在進行中の課題、特に異常ラベルの不足と異常長と形状の変化は、より効率的なソリューションの必要性をもたらした。
TSADにおける従来の教師付きモデルには限定的な異常ラベルが存在するため、自己教師付き学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。
しかし、これらは異常長や形状の変化に対処し難いため、様々な異常への適応性が制限される。
さらに、多くのベンチマークデータセットは、ランダム関数でさえ検出できる明示的な異常を持つという問題に悩まされている。
この問題は、不適切な評価指標である点調整(PA)によって悪化し、モデル性能が膨張する可能性がある。
本稿では,3つのデータ領域の時間的・頻度的・残差的特徴を,異常ラベルに依存することなくモデル化することで,これらの課題に対処する,自己教師型学習ベースのTriADを提案する。
従来のコントラスト学習法とは異なり、triadはドメイン間コントラスト損失とドメイン内コントラスト損失の両方を使用して、通常のデータ間の共通属性を学習し、異常と区別する。
さらに,ディスコード検出アルゴリズムと統合することで,長さの異なる異常を検出できる。
この研究は、高度に設計されたデータセット(UCRアーカイブ)と評価指標(PA%Kとアフィリエイト)の両方を利用して、TSADにおけるディープラーニングの可能性を再評価する最初の試みである。
UCRデータセットの実験結果により、TriADは、SOTA深層学習モデルよりもPA%KベースのF1スコアが3倍、精度が50%向上した。
関連論文リスト
- Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。
本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
論文 参考訳(メタデータ) (2024-01-06T07:30:41Z) - Generating and Reweighting Dense Contrastive Patterns for Unsupervised
Anomaly Detection [59.34318192698142]
我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。
PatchDiffは、様々な種類の異常パターンを効果的に公開する。
MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
論文 参考訳(メタデータ) (2023-12-26T07:08:06Z) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation :
A Unified Approach [52.14916470104883]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳(メタデータ) (2023-11-27T13:14:06Z) - An Iterative Method for Unsupervised Robust Anomaly Detection Under Data
Contamination [24.74938110451834]
ほとんどの深層異常検出モデルは、データセットから正規性を学ぶことに基づいている。
実際、正規性仮定は実データ分布の性質によってしばしば破られる。
このギャップを減らし、より優れた正規性表現を実現するための学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-18T02:36:19Z) - Multivariate Time-Series Anomaly Detection with Contaminated Data [9.46389554092506]
本稿では,トレーニングデータを異常で汚染した場合に,新しいかつ実用的な非教師付きTSADを提案する。
TSAD-Cと呼ばれるアプローチでは、トレーニングフェーズ中に異常ラベルにアクセスできない。
3つの信頼性データセットを用いて実験を行い,提案手法が既存の手法を超えることを確定的に実証した。
論文 参考訳(メタデータ) (2023-08-24T05:10:18Z) - Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。
本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。
HypADは自己指導で入力信号を再構築する。
論文 参考訳(メタデータ) (2022-11-16T21:31:39Z) - DeepFIB: Self-Imputation for Time Series Anomaly Detection [5.4921159672644775]
時系列異常検出(AD)は、金融および医療監視における不正検出など、様々な応用において重要な役割を果たす。
時系列におけるADのための新しい自己教師型学習手法,すなわちemphDeepFIBを提案する。
我々は、DeepFIBが最先端の手法を大きなマージンで上回り、F1スコアの相対的な改善を65.2%まで達成していることを示す。
論文 参考訳(メタデータ) (2021-12-12T14:28:06Z) - Enhancing Unsupervised Anomaly Detection with Score-Guided Network [13.127091975959358]
異常検出は、医療や金融システムなど、さまざまな現実世界のアプリケーションにおいて重要な役割を担っている。
正規データと異常データの間の異常スコアの差を学習・拡大するために,スコア誘導正規化を用いた新しいスコアネットワークを提案する。
次に,スコア誘導型オートエンコーダ(SG-AE)を提案する。
論文 参考訳(メタデータ) (2021-09-10T06:14:53Z) - 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。