論文の概要: TreeMIL: A Multi-instance Learning Framework for Time Series Anomaly Detection with Inexact Supervision

• arxiv url: http://arxiv.org/abs/2401.11235v1
• Date: Sat, 20 Jan 2024 14:15:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-23 17:34:41.419997
• Title: TreeMIL: A Multi-instance Learning Framework for Time Series Anomaly Detection with Inexact Supervision
• Title（参考訳）: TreeMIL:不正確なスーパービジョンによる時系列異常検出のためのマルチインスタンス学習フレームワーク
• Authors: Chen Liu, Shibo He, Haoyu Liu, Shizhong Li
• Abstract要約: 時系列異常検出(TSAD)は、医療、ネットワーク、産業などの様々な領域において重要な役割を果たす。 従来の作業は従来のマルチインスタンス学習(MIL)アプローチに従っており、個々の時間ステップにおける高い異常スコアの促進に重点を置いている。 本稿では,木に基づくMILフレームワーク(TreeMIL)を提案する。
• 参考スコア（独自算出の注目度）: 11.590631768005212
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series anomaly detection (TSAD) plays a vital role in various domains such as healthcare, networks, and industry. Considering labels are crucial for detection but difficult to obtain, we turn to TSAD with inexact supervision: only series-level labels are provided during the training phase, while point-level anomalies are predicted during the testing phase. Previous works follow a traditional multi-instance learning (MIL) approach, which focuses on encouraging high anomaly scores at individual time steps. However, time series anomalies are not only limited to individual point anomalies, they can also be collective anomalies, typically exhibiting abnormal patterns over subsequences. To address the challenge of collective anomalies, in this paper, we propose a tree-based MIL framework (TreeMIL). We first adopt an N-ary tree structure to divide the entire series into multiple nodes, where nodes at different levels represent subsequences with different lengths. Then, the subsequence features are extracted to determine the presence of collective anomalies. Finally, we calculate point-level anomaly scores by aggregating features from nodes at different levels. Experiments conducted on seven public datasets and eight baselines demonstrate that TreeMIL achieves an average 32.3% improvement in F1- score compared to previous state-of-the-art methods. The code is available at https://github.com/fly-orange/TreeMIL.
• Abstract（参考訳）: 時系列異常検出(TSAD)は、医療、ネットワーク、産業などの様々な領域において重要な役割を果たす。 ラベルは検出に不可欠だが取得が困難であるため,トレーニング段階ではシリーズレベルラベルのみが提供され,試験段階ではポイントレベルの異常が予測される。 従来のマルチインスタンス学習(MIL)アプローチは、個々の時間ステップで高い異常スコアを奨励することに焦点を当てている。 しかしながら、時系列異常は個々の点異常に限らず、集団異常でもあり、典型的にはサブシーケンス上で異常パターンを示す。 本稿では,集合的異常の課題に対処するため,木ベースmil(tree-based mil framework)を提案する。 まず、N-ary木構造を用いて、列全体を複数のノードに分割し、異なるレベルのノードが異なる長さの列を表す。 そして、サブシーケンス特徴を抽出して集合異常の有無を判定する。 最後に,異なるレベルのノードから特徴を集約することで,点レベルの異常スコアを算出する。 7つの公開データセットと8つのベースラインで実施された実験は、TreeMILが従来の最先端手法と比較してF1スコアの平均32.3%の改善を達成したことを示している。 コードはhttps://github.com/fly-orange/treemilで入手できる。

関連論文リスト

• ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
  ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。 各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
  論文  参考訳（メタデータ） (2024-05-27T02:42:33Z)
• Alleviating Structural Distribution Shift in Graph Anomaly Detection [70.1022676681496]
  グラフ異常検出(GAD)は二項分類の問題である。 ガロン神経ネットワーク(GNN)は、同胞性隣人からの正常の分類に有用である。 ヘテロ親水性隣人の影響を緩和し、不変にするための枠組みを提案する。
  論文  参考訳（メタデータ） (2024-01-25T13:07:34Z)
• 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)
• 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)
• UniFormaly: Towards Task-Agnostic Unified Framework for Visual Anomaly Detection [6.260747047974035]
  We present UniFormaly, a universal and powerful anomaly detection framework。 我々は,オンラインエンコーダ方式の準最適問題を指摘することによって,オフ・ザ・シェルフアプローチの必要性を強調した。 UniFormalyは様々なタスクやデータセットで優れた結果を得る。
  論文  参考訳（メタデータ） (2023-07-24T06:04:12Z)
• Efficient pattern-based anomaly detection in a network of multivariate devices [0.17188280334580192]
  2段階のアプローチで異常を検出するスケーラブルな手法を提案する。 まず、ネットワーク内のエンティティ間の関係を復元する。なぜなら関係は自然界において動的であり、原因不明のプロセスによって引き起こされることが多いからだ。 次に、逐次パターンの埋め込みに基づく異常を報告する。
  論文  参考訳（メタデータ） (2023-05-07T16:05:30Z)
• 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)
• 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)

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。