論文の概要: When Model Meets New Normals: Test-time Adaptation for Unsupervised Time-series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2312.11976v1
• Date: Tue, 19 Dec 2023 09:18:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-20 16:12:17.697235
• Title: When Model Meets New Normals: Test-time Adaptation for Unsupervised Time-series Anomaly Detection
• Title（参考訳）: 教師なし時系列異常検出のためのテスト時間適応モデル
• Authors: Dongmin Kim, Sunghyun Park, Jaegul Choo
• Abstract要約: 時系列異常検出は、観測順序から正規性を学ぶことによって異常な時間ステップを検出する問題を扱う。 本稿では,教師なし時系列異常検出研究における新しい正規問題の有効性を明らかにする。 本稿では、トレンド推定に基づく簡易かつ効果的なテスト時間適応戦略と、推論中の新しい正規性を学習するための自己教師型アプローチを提案する。
• 参考スコア（独自算出の注目度）: 45.57544783322024
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Time-series anomaly detection deals with the problem of detecting anomalous timesteps by learning normality from the sequence of observations. However, the concept of normality evolves over time, leading to a "new normal problem", where the distribution of normality can be changed due to the distribution shifts between training and test data. This paper highlights the prevalence of the new normal problem in unsupervised time-series anomaly detection studies. To tackle this issue, we propose a simple yet effective test-time adaptation strategy based on trend estimation and a self-supervised approach to learning new normalities during inference. Extensive experiments on real-world benchmarks demonstrate that incorporating the proposed strategy into the anomaly detector consistently improves the model's performance compared to the baselines, leading to robustness to the distribution shifts.
• Abstract（参考訳）: 時系列異常検出は、観測の順序から正規性を学習して異常な時間ステップを検出する問題に対処する。 しかし、正規性の概念は時間とともに進化し、トレーニングデータとテストデータの間の分布シフトによって正規性分布を変えることができる「新しい正規性問題」へと繋がる。 本稿では,教師なし時系列異常検出研究における新しい正規問題の有効性を明らかにする。 そこで本研究では,傾向推定に基づく簡易かつ効果的なテスト時間適応戦略と,推論中に新しい正規性を学ぶための自己教師ありアプローチを提案する。 実世界のベンチマークに関する大規模な実験は、提案された戦略を異常検知器に組み込むことで、ベースラインよりもモデルの性能が一貫して向上し、分散シフトの堅牢性をもたらすことを示した。

関連論文リスト

• Enhancing Anomaly Detection Generalization through Knowledge Exposure: The Dual Effects of Augmentation [9.740752855568202]
  異常検出では、標準から逸脱し、頻繁に発生するデータセット内のインスタンスを識別する。 現在のベンチマークでは、実際のシナリオと一致しない通常のデータの多様性の低い方法を好む傾向にある。 本稿では,概念力学の理解に外部知識を統合した新しいテストプロトコルと知識公開(KE)手法を提案する。
  論文  参考訳（メタデータ） (2024-06-15T12:37:36Z)
• Pattern-Based Time-Series Risk Scoring for Anomaly Detection and Alert Filtering -- A Predictive Maintenance Case Study [3.508168174653255]
  本稿では,逐次パターンの類似性に基づいて,異常検出と警告フィルタリングを高速かつ効率的に行う手法を提案する。 本稿では, 大規模産業システムにおける異常検出を含む様々な目的で, このアプローチをどのように活用するかを示す。
  論文  参考訳（メタデータ） (2024-05-24T20:27:45Z)
• Learning Multi-Pattern Normalities in the Frequency Domain for Efficient Time Series Anomaly Detection [37.992737349167676]
  時系列異常検出のための周波数領域における多重正規パターン対応異常検出手法を提案する。 i) 統一モデルで多様な正規パターンを扱うのに優れたパターン抽出機構、(ii) 時間領域における短期異常を増幅し周波数領域における異常の再構築を妨げる双対的畳み込み機構、(iii) 周波数領域のスパーシリティと並列性を活用してモデル効率を向上させる。
  論文  参考訳（メタデータ） (2023-11-26T03:31:43Z)
• MadSGM: Multivariate Anomaly Detection with Score-based Generative Models [22.296610226476542]
  スコアベース生成モデルに基づく時系列異常検出器MadSGMを提案する。 5つの実世界のベンチマークデータセットの実験は、MadSGMが最も堅牢で正確な予測を達成していることを示している。
  論文  参考訳（メタデータ） (2023-08-29T07:04:50Z)
• 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)
• Spatio-temporal predictive tasks for abnormal event detection in videos [60.02503434201552]
  オブジェクトレベルの正規化パターンを学習するための制約付きプレテキストタスクを提案する。 我々のアプローチは、ダウンスケールの視覚的クエリとそれに対応する正常な外観と運動特性のマッピングを学習することである。 いくつかのベンチマークデータセットの実験では、異常の局所化と追跡のためのアプローチの有効性が示されている。
  論文  参考訳（メタデータ） (2022-10-27T19:45:12Z)
• Calibrated One-class Classification for Unsupervised Time Series Anomaly Detection [27.15951068292889]
  本稿では,異常検出のための一級分類を提案する。 データの正規性の汚染耐性、異常なインフォームド学習を実現する。 我々のモデルは16人の最先端の競争者に対して大幅な改善を達成している。
  論文  参考訳（メタデータ） (2022-07-25T13:43:13Z)
• Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy [68.86835407617778]
  Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。 Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-10-06T10:33:55Z)
• 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)
• Deep Weakly-supervised Anomaly Detection [118.55172352231381]
  ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。 PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。 12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
  論文  参考訳（メタデータ） (2019-10-30T00:40:25Z)

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。