Fugu-MT 論文翻訳(概要): Weakly Augmented Variational Autoencoder in Time Series Anomaly Detection

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

Reshaping the Online Data Buffering and Organizing Mechanism for Continual Test-Time Adaptation [49.53202761595912]
継続的なテスト時間適応は、訓練済みのソースモデルを適用して、教師なしのターゲットドメインを継続的に変更する。我々は、オンライン環境、教師なしの自然、エラー蓄積や破滅的な忘れのリスクなど、このタスクの課題を分析する。教師なしシングルパスデータストリームから重要サンプルを高い確実性で識別・集約する不確実性を考慮したバッファリング手法を提案する。
論文参考訳（メタデータ） (2024-07-12T15:48:40Z)
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)
Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
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)
Explainable Time Series Anomaly Detection using Masked Latent Generative Modeling [1.3927943269211591]
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)
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)
Heteroscedastic Temporal Variational Autoencoder For Irregular Time Series [15.380441563675243]
HeTVAE(Heteroscedastic Temporal Variational Autoencoder)と呼ばれる不規則サンプル時系列のための新しいディープラーニングフレームワークを提案する。 HeTVAEは、入力観察間隔に関する情報を符号化する新しい入力層と、入力間隔による不確かさを伝播する時間的VAEアーキテクチャと、変数による出力の不確実性を可能にするヘテロセダスティック出力層とを含む。提案したアーキテクチャは,近年提案された潜時変動モデルと同様に,時間スパースおよび不規則サンプリングによる変動不確かさを,ベースラインや従来のモデルよりもよく反映できることを示す。
論文参考訳（メタデータ） (2021-07-23T16:59:21Z)

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。