論文の概要: TimeSeriesBench: An Industrial-Grade Benchmark for Time Series Anomaly Detection Models

• arxiv url: http://arxiv.org/abs/2402.10802v3
• Date: Tue, 3 Sep 2024 02:37:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-04 19:31:47.198040
• Title: TimeSeriesBench: An Industrial-Grade Benchmark for Time Series Anomaly Detection Models
• Title（参考訳）: TimeSeriesBench: 時系列異常検出モデルのためのインダストリアルグレードベンチマーク
• Authors: Haotian Si, Jianhui Li, Changhua Pei, Hang Cui, Jingwen Yang, Yongqian Sun, Shenglin Zhang, Jingjing Li, Haiming Zhang, Jing Han, Dan Pei, Gaogang Xie,
• Abstract要約: 時系列異常検出(TSAD)は実世界の応用により注目されている。 TSADが現実のデプロイメントの要件を満たすことができるかどうかを検証する効果的な方法はない。 本稿では,既存のアルゴリズムの性能を評価するため,産業用ベンチマークTimeSeriesBenchを提案する。
• 参考スコア（独自算出の注目度）: 21.658019069964755
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series anomaly detection (TSAD) has gained significant attention due to its real-world applications to improve the stability of modern software systems. However, there is no effective way to verify whether they can meet the requirements for real-world deployment. Firstly, current algorithms typically train a specific model for each time series. Maintaining such many models is impractical in a large-scale system with tens of thousands of curves. The performance of using merely one unified model to detect anomalies remains unknown. Secondly, most TSAD models are trained on the historical part of a time series and are tested on its future segment. In distributed systems, however, there are frequent system deployments and upgrades, with new, previously unseen time series emerging daily. The performance of testing newly incoming unseen time series on current TSAD algorithms remains unknown. Lastly, the assumptions of the evaluation metrics in existing benchmarks are far from practical demands. To solve the above-mentioned problems, we propose an industrial-grade benchmark TimeSeriesBench. We assess the performance of existing algorithms across more than 168 evaluation settings and provide comprehensive analysis for the future design of anomaly detection algorithms. An industrial dataset is also released along with TimeSeriesBench.
• Abstract（参考訳）: 時系列異常検出(TSAD)は、現代のソフトウェアシステムの安定性を改善するための実世界の応用により、注目されている。 しかし、現実のデプロイメントの要件を満たすことができるかどうかを検証する効果的な方法はない。 第一に、現在のアルゴリズムは通常、時系列ごとに特定のモデルを訓練する。 このようなモデルを維持することは、数万の曲線を持つ大規模システムでは現実的ではない。 1つの統一モデルで異常を検知する性能は未だ不明である。 第二に、ほとんどのTSADモデルは時系列の歴史的部分で訓練され、将来のセグメントでテストされる。 しかし、分散システムでは、システムデプロイメントやアップグレードが頻繁に行われ、新しい、以前は目に見えない新しい時系列が毎日現れています。 現在のTSADアルゴリズムで新たに入ってくる未確認時系列をテストする性能は未だ不明である。 最後に、既存のベンチマークにおける評価指標の仮定は、実際的な要求には程遠い。 以上の問題を解決するために,産業用ベンチマークTimeSeriesBenchを提案する。 我々は、168以上の評価設定で既存のアルゴリズムの性能を評価し、将来的な異常検出アルゴリズムの設計を包括的に分析する。 TimeSeriesBenchとともに、産業データセットもリリースされている。

関連論文リスト

• Deep Time Series Models: A Comprehensive Survey and Benchmark [74.28364194333447]
  時系列データは、現実世界のシナリオにおいて非常に重要である。 近年、時系列コミュニティで顕著なブレークスルーが見られた。 多様な分析タスクのためのディープ時系列モデルの公正なベンチマークとして、時系列ライブラリ(TSLib)をリリースします。
  論文  参考訳（メタデータ） (2024-07-18T08:31:55Z)
• TSI-Bench: Benchmarking Time Series Imputation [52.27004336123575]
  TSI-Benchは、ディープラーニング技術を利用した時系列計算のための総合ベンチマークスイートである。 TSI-Benchパイプラインは、実験的な設定を標準化し、計算アルゴリズムの公平な評価を可能にする。 TSI-Benchは、計算目的のために時系列予測アルゴリズムを調整するための体系的なパラダイムを革新的に提供する。
  論文  参考訳（メタデータ） (2024-06-18T16:07:33Z)
• 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)
• Making the End-User a Priority in Benchmarking: OrionBench for Unsupervised Time Series Anomaly Detection [9.054540533394924]
  時系列異常検出は、医療における患者のモニタリング、金融の予測、エネルギーの予測保守など、多くのアプリケーション領域で一般的な問題である。 We propose OrionBench -- a user centric continuous maintain benchmark for unsupervised time series anomaly detection。 OrionBenchの使用状況と,3年間で公開された16リリースにわたるパイプラインの進行状況について紹介する。
  論文  参考訳（メタデータ） (2023-10-26T19:43:16Z)
• Online Evolutionary Neural Architecture Search for Multivariate Non-Stationary Time Series Forecasting [72.89994745876086]
  本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。 ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。 その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
  論文  参考訳（メタデータ） (2023-02-20T22:25:47Z)
• Deep Generative model with Hierarchical Latent Factors for Time Series Anomaly Detection [40.21502451136054]
  本研究は、時系列異常検出のための新しい生成モデルであるDGHLを提示する。 トップダウンの畳み込みネットワークは、新しい階層的な潜在空間を時系列ウィンドウにマッピングし、時間ダイナミクスを利用して情報を効率的にエンコードする。 提案手法は,4つのベンチマーク・データセットにおいて,現在の最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-02-15T17:19:44Z)
• Networked Time Series Prediction with Incomplete Data [59.45358694862176]
  我々は、歴史と未来の両方で欠落した値を持つ不完全なデータでトレーニングできる新しいディープラーニングフレームワークであるNetS-ImpGANを提案する。 3つの実世界のデータセットに対して、異なるパターンと欠落率で広範な実験を行う。
  論文  参考訳（メタデータ） (2021-10-05T18:20:42Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• Automated Model Selection for Time-Series Anomaly Detection [6.396011708581161]
  多くの企業は、アプリケーションやサービスに対する何千もの時間的信号を監視し、時間内のインシデントに対する即時フィードバックと警告を必要とします。 このタスクは、乱雑でしばしば適切なラベルのない時系列の複雑な特性のため、難しい。 これはラベルの欠如と単一のモデルが異なる時系列にほとんど適合しないため、教師付きモデルのトレーニングを禁止している。 本稿では、入力データに対して適切なパラメータを持つ最も適切な検出モデルを自動的に見つけるための自動モデル選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-25T07:23:43Z)
• Anomaly Detection at Scale: The Case for Deep Distributional Time Series Models [14.621700495712647]
  我々のアプローチの主な特徴は、実値または実値のベクトルからなる時系列をモデル化するのではなく、実値(またはベクトル)上の確率分布の時系列をモデル化することである。 本手法は,数百万の時系列上の異常検出とスケールのストリーミングに有効である。 我々は,オープンソースの異常検出ツールを,実世界のデータセットに対する平均17%の改善率で上回っていることを示す。
  論文  参考訳（メタデータ） (2020-07-30T15:48:55Z)
• RobustTAD: Robust Time Series Anomaly Detection via Decomposition and Convolutional Neural Networks [37.16594704493679]
  本稿では,ロバスト時系列異常検出フレームワークRobustTADを提案する。 時系列データのために、堅牢な季節差分解と畳み込みニューラルネットワークを統合する。 パブリックオンラインサービスとしてデプロイされ、Alibaba Groupのさまざまなビジネスシナリオで広く採用されている。
  論文  参考訳（メタデータ） (2020-02-21T20:43:45Z)

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。