論文の概要: Generative Adversarial Network with Soft-Dynamic Time Warping and Parallel Reconstruction for Energy Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2402.14384v1
• Date: Thu, 22 Feb 2024 08:54:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-23 15:53:26.080963
• Title: Generative Adversarial Network with Soft-Dynamic Time Warping and Parallel Reconstruction for Energy Time Series Anomaly Detection
• Title（参考訳）: エネルギー時系列異常検出のためのソフトダイナミックな時間ゆがみと並列再構成を伴う生成的逆ネットワーク
• Authors: Hardik Prabhu, Jayaraman Valadi, and Pandarasamy Arjunan
• Abstract要約: 本研究では,エネルギー時系列データにおける逐次異常検出にDCGAN (Deep Convolutional Generative Adversarial Network) を用いる。 異常検出は、エネルギーサブシーケンスを再構成するために勾配降下を伴い、ジェネレータネットワークを介してそれらを生成するノイズベクトルを同定する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we employ a 1D deep convolutional generative adversarial network (DCGAN) for sequential anomaly detection in energy time series data. Anomaly detection involves gradient descent to reconstruct energy sub-sequences, identifying the noise vector that closely generates them through the generator network. Soft-DTW is used as a differentiable alternative for the reconstruction loss and is found to be superior to Euclidean distance. Combining reconstruction loss and the latent space's prior probability distribution serves as the anomaly score. Our novel method accelerates detection by parallel computation of reconstruction of multiple points and shows promise in identifying anomalous energy consumption in buildings, as evidenced by performing experiments on hourly energy time series from 15 buildings.
• Abstract（参考訳）: 本稿では,エネルギー時系列データにおける逐次異常検出のために,1次元深層畳み込み生成逆ネットワーク(dcgan)を用いた。 異常検出は、エネルギーサブシーケンスを再構成するために勾配降下を伴い、ジェネレータネットワークを介してそれらを生成するノイズベクトルを同定する。 ソフトDTWは再建損失の微分可能な代替品として用いられ、ユークリッド距離よりも優れている。 復元損失と潜伏空間の事前確率分布の組み合わせは異常スコアとして機能する。 提案手法は, 複数点の並列計算による検出を高速化し, 建物内の異常なエネルギー消費を特定することを約束するものである。

関連論文リスト

• RESTAD: REconstruction and Similarity based Transformer for time series Anomaly Detection [3.0377067713090633]
  時系列データの異常検出は、様々な領域で重要である。 アーキテクチャに放射基底関数(RBF)の層を組み込むことにより、トランスフォーマーモデルの適応であるRESTADを導入する。
  論文  参考訳（メタデータ） (2024-05-13T07:10:35Z)
• 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)
• GAN-driven Electromagnetic Imaging of 2-D Dielectric Scatterers [4.510838705378781]
  逆散乱問題は、それらが不適切で非線形であるという事実を考えると、本質的に困難である。 本稿では、生成的対向ネットワークに依存する強力なディープラーニングに基づくアプローチを提案する。 適切に設計された高密度層からなる凝集性逆ニューラルネットワーク(INN)フレームワークが設定される。 トレーニングされたINNは、平均2進クロスエントロピー(BCE)損失が0.13ドル、構造類似度指数(SSI)が0.90ドルであることを示す。
  論文  参考訳（メタデータ） (2024-02-16T17:03:08Z)
• 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)
• CNTS: Cooperative Network for Time Series [7.356583983200323]
  本稿では,協調ネットワーク時系列法(Cooperative Network Time Series approach)と呼ばれる,教師なし異常検出のための新しい手法を提案する。 CNTSの中心的な側面は多目的最適化の問題であり、協調的な解法戦略によって解決される。 実世界の3つのデータセットの実験は、CNTSの最先端性能を示し、検出器と再構成器の協調的有効性を確認する。
  論文  参考訳（メタデータ） (2023-02-20T06:55:10Z)
• PCT-CycleGAN: Paired Complementary Temporal Cycle-Consistent Adversarial Networks for Radar-Based Precipitation Nowcasting [3.4956929165638764]
  本稿では,レーダを用いた降水流のための相補的時間周期一貫性対向ネットワーク (PCT-CycleGAN) を提案する。 PCT-CycleGANは画像間翻訳において高い性能を示す。 反復予測で最大2時間の信頼性のある予測を提供する。
  論文  参考訳（メタデータ） (2022-11-28T04:08:55Z)
• LARO: Learned Acquisition and Reconstruction Optimization to accelerate Quantitative Susceptibility Mapping [24.665782241561185]
  Learned Acquisition and Reconstruction Optimization (LARO) は、定量的感受性マッピング(QSM)のためのマルチエコー勾配エコー(mGRE)パルスシーケンスを高速化することを目的としている。 提案手法では, 深部再構成ネットワークを用いて, モンテカルロマルチエコk空間サンプリングパターンを最適化する。 本研究は,最適化されたサンプリングパターンと提案した再構成戦略の両方が,マルチエコ画像再構成の品質向上に有効であることを示す。
  論文  参考訳（メタデータ） (2022-11-01T20:04:29Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• 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)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。