論文の概要: EdgeConvFormer: Dynamic Graph CNN and Transformer based Anomaly
Detection in Multivariate Time Series
- arxiv url: http://arxiv.org/abs/2312.01729v1
- Date: Mon, 4 Dec 2023 08:38:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 15:51:50.136810
- Title: EdgeConvFormer: Dynamic Graph CNN and Transformer based Anomaly
Detection in Multivariate Time Series
- Title(参考訳): EdgeConvFormer: 多変量時系列における動的グラフCNNとトランスフォーマーに基づく異常検出
- Authors: Jie Liu, Qilin Li, Senjian An, Bradley Ezard, and Ling Li
- Abstract要約: 本研究では,階層化されたTime2vec埋め込み,動的グラフCNN,Transformerを統合し,グローバルかつ局所的な空間時間情報を抽出する新たな異常検出手法EdgeConvFormerを提案する。
実験により、EdgeConvFormerは、多変量時系列データから時空間モデリングを学習し、異なるスケールの多くの実世界のデータセットに対する最先端のアプローチよりも優れた異常検出性能を得ることができることが示された。
- 参考スコア(独自算出の注目度): 7.514010315664322
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Transformer-based models for anomaly detection in multivariate time series
can benefit from the self-attention mechanism due to its advantage in modeling
long-term dependencies. However, Transformer-based anomaly detection models
have problems such as a large amount of data being required for training,
standard positional encoding is not suitable for multivariate time series data,
and the interdependence between time series is not considered. To address these
limitations, we propose a novel anomaly detection method, named EdgeConvFormer,
which integrates Time2vec embedding, stacked dynamic graph CNN, and Transformer
to extract global and local spatial-time information. This design of
EdgeConvFormer empowers it with decomposition capacities for complex time
series, progressive spatiotemporal correlation discovery between time series,
and representation aggregation of multi-scale features. Experiments demonstrate
that EdgeConvFormer can learn the spatial-temporal correlations from
multivariate time series data and achieve better anomaly detection performance
than the state-of-the-art approaches on many real-world datasets of different
scales.
- Abstract(参考訳): 多変量時系列における異常検出のためのトランスベースモデルは、長期依存のモデル化に有利なセルフアテンション機構の恩恵を受ける。
しかし、変圧器に基づく異常検出モデルには、トレーニングに必要な大量のデータ、多変量時系列データには標準位置符号化が適していないこと、時系列間の相互依存などといった問題がある。
これらの制約に対処するため,EdgeConvFormerという新しい異常検出手法を提案する。この手法はTime2vecの埋め込み,スタックされた動的グラフCNN,Transformerを統合し,グローバルおよびローカルな空間時間情報を抽出する。
このEdgeConvFormerの設計により、複雑な時系列の分解能力、時系列間のプログレッシブ時空間相関発見、マルチスケール特徴の表現集約が実現される。
実験により、edgeconvformerは、多変量時系列データから空間-時間相関を学習し、異なるスケールの多くの実世界のデータセットにおける最先端のアプローチよりも優れた異常検出性能を達成することが示されている。
関連論文リスト
- 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) - Entropy Causal Graphs for Multivariate Time Series Anomaly Detection [7.402342914903391]
本研究では,多変量時系列異常検出のためのエントロピー因果グラフであるCGADを提案する。
CGADは転送エントロピーを利用して時系列データ間の因果関係を明らかにするグラフ構造を構築する。
CGADは、15%の平均的な改善で、実世界のデータセット上で最先端の手法より優れています。
論文 参考訳(メタデータ) (2023-12-15T01:35:00Z) - Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。
実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
論文 参考訳(メタデータ) (2023-10-17T06:29:09Z) - Correlation-aware Spatial-Temporal Graph Learning for Multivariate
Time-series Anomaly Detection [67.60791405198063]
時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。
CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。
新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
論文 参考訳(メタデータ) (2023-07-17T11:04:27Z) - Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。
階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
論文 参考訳(メタデータ) (2023-05-11T10:30:35Z) - AnomalyBERT: Self-Supervised Transformer for Time Series Anomaly
Detection using Data Degradation Scheme [0.7216399430290167]
時系列、特にラベルなしデータに対する異常検出タスクは、難しい問題である。
自己教師型モデルトレーニングに適切なデータ劣化スキームを適用することで、この問題に対処する。
自己認識機構に触発されて、時間的文脈を認識するトランスフォーマーベースのアーキテクチャを設計する。
論文 参考訳(メタデータ) (2023-05-08T05:42:24Z) - FormerTime: Hierarchical Multi-Scale Representations for Multivariate
Time Series Classification [53.55504611255664]
formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。
1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
論文 参考訳(メタデータ) (2023-02-20T07:46:14Z) - Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。
我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。
本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文 参考訳(メタデータ) (2022-05-16T07:53:42Z) - HIFI: Anomaly Detection for Multivariate Time Series with High-order
Feature Interactions [7.016615391171876]
HIFIは自動的に多変量特徴相互作用グラフを構築し、グラフ畳み込みニューラルネットワークを使用して高次特徴相互作用を実現する。
3つの公開データセットの実験は、最先端のアプローチと比較して、我々のフレームワークの優位性を示している。
論文 参考訳(メタデータ) (2021-06-11T04:57:03Z)
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。