論文の概要: End-To-End Self-tuning Self-supervised Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2404.02865v1
• Date: Wed, 3 Apr 2024 16:57:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-04 16:50:16.887565
• Title: End-To-End Self-tuning Self-supervised Time Series Anomaly Detection
• Title（参考訳）: 終端から終端までの自己調整型時系列異常検出
• Authors: Boje Deforce, Meng-Chieh Lee, Bart Baesens, Estefanía Serral Asensio, Jaemin Yoo, Leman Akoglu,
• Abstract要約: 時系列異常検出(TSAD)は、環境センサ、産業タイプ、患者バイオマーカーなど、多くの応用を見出す。 TSADの2倍の課題は、様々な種類の時系列異常を検出できる汎用的で教師なしのモデルである。 TSAP for TSA "on autoPilot"を導入します。
• 参考スコア（独自算出の注目度）: 32.746688248671084
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Time series anomaly detection (TSAD) finds many applications such as monitoring environmental sensors, industry KPIs, patient biomarkers, etc. A two-fold challenge for TSAD is a versatile and unsupervised model that can detect various different types of time series anomalies (spikes, discontinuities, trend shifts, etc.) without any labeled data. Modern neural networks have outstanding ability in modeling complex time series. Self-supervised models in particular tackle unsupervised TSAD by transforming the input via various augmentations to create pseudo anomalies for training. However, their performance is sensitive to the choice of augmentation, which is hard to choose in practice, while there exists no effort in the literature on data augmentation tuning for TSAD without labels. Our work aims to fill this gap. We introduce TSAP for TSA "on autoPilot", which can (self-)tune augmentation hyperparameters end-to-end. It stands on two key components: a differentiable augmentation architecture and an unsupervised validation loss to effectively assess the alignment between augmentation type and anomaly type. Case studies show TSAP's ability to effectively select the (discrete) augmentation type and associated (continuous) hyperparameters. In turn, it outperforms established baselines, including SOTA self-supervised models, on diverse TSAD tasks exhibiting different anomaly types.
• Abstract（参考訳）: 時系列異常検出(TSAD)は、環境センサ、産業用KPI、患者バイオマーカーなど、多くの応用を見出す。 TSADの2倍の課題は、ラベル付きデータなしで様々な種類の時系列異常(スパイク、不連続、トレンドシフトなど)を検出できる汎用的で教師なしのモデルである。 現代のニューラルネットワークは複雑な時系列をモデル化する能力に優れている。 特に自己教師型モデルは、様々な拡張を通じて入力を変換し、トレーニング用の擬似異常を生成することで、教師なしTSADに取り組む。 しかし、それらの性能は、実際には選択が難しい拡張の選択に敏感であり、ラベルのないTSADのためのデータ拡張チューニングに関する文献には何の努力もかからない。 私たちの仕事は、このギャップを埋めることを目的としています。 TSAP for TSA "on autoPilot"を導入する。 差別化可能な拡張アーキテクチャと、拡張型と異常型のアライメントを効果的に評価するための教師なしの検証損失の2つの重要なコンポーネントの上に立つ。 ケーススタディでは、TSAPが(離散的な)拡張タイプと関連する(連続的な)ハイパーパラメータを効果的に選択できることが示されている。 結果として、SOTA自己教師型モデルを含む確立されたベースラインを、異なる異常型を示す様々なTSADタスクで上回ります。

関連論文リスト

• GenIAS: Generator for Instantiating Anomalies in time Series [54.959865643340535]
  可変オートエンコーダを用いた時系列異常検出(TSAD)のための生成モデルを開発した。 GenIASはTSADタスクのための多種多様な現実的な合成異常を生成するように設計されている。 実験の結果,GenIASは従来型および深部異常検出モデル17より一貫して優れていた。
  論文  参考訳（メタデータ） (2025-02-12T10:10:04Z)
• An Unsupervised Anomaly Detection in Electricity Consumption Using Reinforcement Learning and Time Series Forest Based Framework [1.0036727981085223]
  異常検出は、主に実世界のシナリオにまたがって時系列データが使用されるため、時系列アプリケーションにおいて重要な役割を果たす。 従来の研究では様々なADモデルが検討されており、特定の異常に対して異なる感度で特定の仮定が作成されている。 時系列フォレスト(TSF)と強化学習(RL)を組み合わせた教師なしADのための新しいモデル選択を提案する。
  論文  参考訳（メタデータ） (2024-12-30T19:04:43Z)
• See it, Think it, Sorted: Large Multimodal Models are Few-shot Time Series Anomaly Analyzers [23.701716999879636]
  時系列データの急激な増加に伴い,時系列異常検出(TSAD)はますます重要になりつつある。 本稿では,TMA(Time Series Anomaly Multimodal Analyzer)と呼ばれる先駆的なフレームワークを導入し,異常の検出と解釈を両立させる。
  論文  参考訳（メタデータ） (2024-11-04T10:28:41Z)
• Mitigating Shortcut Learning with Diffusion Counterfactuals and Diverse Ensembles [95.49699178874683]
  拡散確率モデル(DPM)を利用したアンサンブル多様化フレームワークDiffDivを提案する。 DPMは、相関した入力特徴を示すサンプルを用いて訓練しても、新しい特徴の組み合わせで画像を生成することができることを示す。 そこで本研究では,DPM誘導の多様化は,教師付き信号の追加を必要とせず,ショートカットキューへの依存を取り除くのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-11-23T15:47:33Z)
• 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)
• 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)
• End-to-End Augmentation Hyperparameter Tuning for Self-Supervised Anomaly Detection [21.97856757574274]
  そこで我々はST-SSAD(Self-Tuning Self-Supervised Anomaly Detection)を導入する。 チューニングの強化は、現在のプラクティスよりも大きなパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-06-21T05:48:51Z)
• DeepFIB: Self-Imputation for Time Series Anomaly Detection [5.4921159672644775]
  時系列異常検出(AD)は、金融および医療監視における不正検出など、様々な応用において重要な役割を果たす。 時系列におけるADのための新しい自己教師型学習手法,すなわちemphDeepFIBを提案する。 我々は、DeepFIBが最先端の手法を大きなマージンで上回り、F1スコアの相対的な改善を65.2%まで達成していることを示す。
  論文  参考訳（メタデータ） (2021-12-12T14:28:06Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。