論文の概要: Weakly Augmented Variational Autoencoder in Time Series Anomaly
Detection
- arxiv url: http://arxiv.org/abs/2401.03341v1
- Date: Sun, 7 Jan 2024 00:23:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-09 19:12:11.095471
- Title: Weakly Augmented Variational Autoencoder in Time Series Anomaly
Detection
- Title(参考訳): 時系列異常検出における弱拡張変分オートエンコーダ
- Authors: Zhangkai Wu, Longbing Cao, Qi Zhang, Junxian Zhou, Hui Chen
- Abstract要約: 本稿では,深層ヴァリアンコーダ(VAE)と自己教師付き学習(SSL)を組み合わせた新たな生成フレームワークを提案する。
- 参考スコア(独自算出の注目度): 32.98391970820966
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Due to their unsupervised training and uncertainty estimation, deep
Variational Autoencoders (VAEs) have become powerful tools for
reconstruction-based Time Series Anomaly Detection (TSAD). Existing VAE-based
TSAD methods, either statistical or deep, tune meta-priors to estimate the
likelihood probability for effectively capturing spatiotemporal dependencies in
the data. However, these methods confront the challenge of inherent data
scarcity, which is often the case in anomaly detection tasks. Such scarcity
easily leads to latent holes, discontinuous regions in latent space, resulting
in non-robust reconstructions on these discontinuous spaces. We propose a novel
generative framework that combines VAEs with self-supervised learning (SSL) to
address this issue.
- Abstract(参考訳): 教師なしトレーニングと不確実性推定のため、深部変分オートエンコーダ(VAE)は、再構成に基づく時系列異常検出(TSAD)の強力なツールとなっている。
既存のVAEベースのTSAD手法は、統計的あるいは深層的なメタプライヤをチューニングし、データの時空間依存性を効果的に捉える確率を推定する。
しかし、これらの手法は、異常検出タスクでしばしば発生する固有のデータ不足の課題に直面している。
このような希少性は、潜り穴、潜り空間における不連続領域に容易につながり、これらの不連続空間上の非破壊的再構成をもたらす。
本稿では,VAEと自己教師付き学習(SSL)を組み合わせた新たな生成フレームワークを提案する。
関連論文リスト
- The Over-Certainty Phenomenon in Modern UDA Algorithms [3.301728339780329]
我々は、ニューラルネットワークが観測するデータの認識に関連して、決定境界を再検討することを目指している。
精度を向上するだけでなく,モデルのキャリブレーションも保証するUDAアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-04-24T19:55:50Z) - Spatial-temporal Memories Enhanced Graph Autoencoder for Anomaly Detection in Dynamic Graphs [52.956235109354175]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。
空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。
STRIPEは、動的グラフの異なる空間的・時間的ダイナミクスを効果的に活用することにより、異常を識別する優れた能力を示した。
論文 参考訳(メタデータ) (2024-03-14T02:26:10Z) - Revisiting VAE for Unsupervised Time Series Anomaly Detection: A
Frequency Perspective [40.21603048003118]
変分オートエンコーダ(VAE)は、より優れたノイズ除去能力のために近年人気を集めている。
FCVAEは、グローバルとローカルの両方の周波数特徴を条件付き変分オートエンコーダ(CVAE)の条件に同時に統合する革新的なアプローチを利用する
提案手法は, パブリックデータセットと大規模クラウドシステムを用いて評価され, その結果, 最先端の手法よりも優れた結果が得られた。
論文 参考訳(メタデータ) (2024-02-05T09:06:57Z) - 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) - Explainable Time Series Anomaly Detection using Masked Latent Generative
Modeling [1.565361244756411]
本稿では,新しい時系列異常検出法であるTimeVQVAE-ADを提案する。
TimeVQVAE-ADは、優れた説明性を提供しながら、優れた検出精度を実現する。
私たちはGitHubに実装を提供しています。
論文 参考訳(メタデータ) (2023-11-21T11:59:16Z) - Unraveling the "Anomaly" in Time Series Anomaly Detection: A
Self-supervised Tri-domain Solution [89.16750999704969]
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。
論文 参考訳(メタデータ) (2023-11-19T05:37:18Z) - Semi-Supervised Temporal Action Detection with Proposal-Free Masking [134.26292288193298]
PropOsal-free Temporal mask (SPOT) に基づく新しい半教師付き時間行動検出モデルを提案する。
SPOTは最先端の代替品よりも優れている。
論文 参考訳(メタデータ) (2022-07-14T16:58:47Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Reducing Catastrophic Forgetting in Self Organizing Maps with
Internally-Induced Generative Replay [67.50637511633212]
生涯学習エージェントは、パターン知覚データの無限のストリームから継続的に学習することができる。
適応するエージェントを構築する上での歴史的難しさの1つは、ニューラルネットワークが新しいサンプルから学ぶ際に、以前取得した知識を維持するのに苦労していることである。
この問題は破滅的な忘れ(干渉)と呼ばれ、今日の機械学習の領域では未解決の問題のままである。
論文 参考訳(メタデータ) (2021-12-09T07:11:14Z) - Memory-augmented Adversarial Autoencoders for Multivariate Time-series
Anomaly Detection with Deep Reconstruction and Prediction [4.033624665609417]
本稿では,時系列の非教師付き異常検出手法であるMemAAEを提案する。
2つの補完的プロキシタスク、再構築と予測を共同でトレーニングすることにより、複数のタスクによる異常検出が優れた性能を得ることを示す。
MemAAEは4つの公開データセットで総合F1スコアの0.90を達成し、最高のベースラインである0.02を上回っている。
論文 参考訳(メタデータ) (2021-10-15T18:29:05Z)
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。