論文の概要: DACAD: Domain Adaptation Contrastive Learning for Anomaly Detection in Multivariate Time Series
- arxiv url: http://arxiv.org/abs/2404.11269v1
- Date: Wed, 17 Apr 2024 11:20:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-18 14:24:17.739882
- Title: DACAD: Domain Adaptation Contrastive Learning for Anomaly Detection in Multivariate Time Series
- Title（参考訳）: DACAD:多変量時系列における異常検出のためのドメイン適応コントラスト学習
- Authors: Zahra Zamanzadeh Darban, Geoffrey I. Webb, Mahsa Salehi,
- Abstract要約: 時系列異常検出(TAD)はラベル付きデータの不足により大きな課題に直面している。
教師なしドメイン適応(UDA)は、関連するドメインからラベル付きデータセットを活用して、ターゲットデータセットの異常を検出することで、この問題に対処する。
- 参考スコア（独自算出の注目度）: 7.589818758630828
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series anomaly detection (TAD) faces a significant challenge due to the scarcity of labelled data, which hinders the development of accurate detection models. Unsupervised domain adaptation (UDA) addresses this challenge by leveraging a labelled dataset from a related domain to detect anomalies in a target dataset. Existing domain adaptation techniques assume that the number of anomalous classes does not change between the source and target domains. In this paper, we propose a novel Domain Adaptation Contrastive learning for Anomaly Detection in multivariate time series (DACAD) model to address this issue by combining UDA and contrastive representation learning. DACAD's approach includes an anomaly injection mechanism that introduces various types of synthetic anomalies, enhancing the model's ability to generalise across unseen anomalous classes in different domains. This method significantly broadens the model's adaptability and robustness. Additionally, we propose a supervised contrastive loss for the source domain and a self-supervised contrastive triplet loss for the target domain, improving comprehensive feature representation learning and extraction of domain-invariant features. Finally, an effective Centre-based Entropy Classifier (CEC) is proposed specifically for anomaly detection, facilitating accurate learning of normal boundaries in the source domain. Our extensive evaluation across multiple real-world datasets against leading models in time series anomaly detection and UDA underscores DACAD's effectiveness. The results validate DACAD's superiority in transferring knowledge across domains and its potential to mitigate the challenge of limited labelled data in time series anomaly detection.
- Abstract（参考訳）: 時系列異常検出(TAD)は、ラベル付きデータの不足により重要な課題に直面し、正確な検出モデルの開発を妨げる。
教師なしドメイン適応(UDA)は、関連するドメインからラベル付きデータセットを活用して、ターゲットデータセットの異常を検出することで、この問題に対処する。
既存のドメイン適応手法は、異常なクラスの数がソースとターゲットドメインの間で変化しないと仮定する。
本稿では,UDAと対照的表現学習を組み合わせた多変量時系列(DACAD)モデルにおける異常検出のためのドメイン適応コントラスト学習を提案する。
DACADのアプローチには、様々な種類の合成異常を導入する異常注入機構が含まれており、異なるドメインにおける目に見えない異常なクラスをまたいでモデルを一般化する能力を高めている。
この方法はモデルの適応性と堅牢性を著しく拡張する。
さらに、ソースドメインに対する教師付きコントラスト損失と、ターゲットドメインに対する自己監督型コントラスト3重項損失を提案し、包括的特徴表現学習とドメイン不変特徴の抽出を改善した。
最後に、ソース領域における正規境界の正確な学習を容易にするために、特に異常検出に有効なCentral-based Entropy Classifier (CEC)を提案する。
時系列異常検出における先行モデルに対する複数の実世界のデータセットに対する広範な評価と,UDAによるDACADの有効性の評価を行った。
その結果,ドメイン間の知識伝達におけるDACADの優位性と,時系列異常検出におけるラベル付きデータ制限の課題を軽減する可能性について検証した。
関連論文リスト
- Disentangling Masked Autoencoders for Unsupervised Domain Generalization [57.56744870106124]
教師なしの領域一般化は急速に注目されているが、まだ十分に研究されていない。
Disentangled Masked Auto (DisMAE) は、本質的な特徴を忠実に示す不整合表現を発見することを目的としている。
DisMAEは、セマンティックで軽量な変分エンコーダを備えた非対称なデュアルブランチアーキテクチャを共同で訓練する。
論文 参考訳（メタデータ） (2024-07-10T11:11:36Z) - 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) - Open-Set Domain Adaptation with Visual-Language Foundation Models [51.49854335102149]
非教師なしドメイン適応(UDA)は、ソースドメインからラベルのないデータを持つターゲットドメインへの知識の転送に非常に効果的であることが証明されている。
オープンセットドメイン適応(ODA)は、トレーニングフェーズ中にこれらのクラスを識別する潜在的なソリューションとして登場した。
論文 参考訳（メタデータ） (2023-07-30T11:38:46Z) - AVATAR: Adversarial self-superVised domain Adaptation network for TARget
domain [11.764601181046496]
本稿では,未ラベル対象領域データの予測のための教師なし領域適応(UDA)手法を提案する。
本稿では,AVATAR(Adversarial Self-superVised Domain Adaptation Network for the TARget domain)アルゴリズムを提案する。
提案手法は,3つのUDAベンチマークにおいて,最先端の手法を著しく上回っている。
論文 参考訳（メタデータ） (2023-04-28T20:31:56Z) - Decompose to Adapt: Cross-domain Object Detection via Feature
Disentanglement [79.2994130944482]
本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。
DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。
提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
論文 参考訳（メタデータ） (2022-01-06T05:43:01Z) - Unsupervised and self-adaptative techniques for cross-domain person
re-identification [82.54691433502335]
非重複カメラにおける人物再識別(ReID)は難しい課題である。
Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。
本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
論文 参考訳（メタデータ） (2021-03-21T23:58:39Z) - Adversarial Unsupervised Domain Adaptation Guided with Deep Clustering
for Face Presentation Attack Detection [0.8701566919381223]
顔提示攻撃検知(PAD)は顔認識システムを確保するために注目されている。
PAD一般化能力を改善するために,ドメイン適応(DA)に基づくエンドツーエンド学習フレームワークを提案する。
論文 参考訳（メタデータ） (2021-02-13T05:34:40Z) - Robustified Domain Adaptation [13.14535125302501]
非教師付きドメイン適応(Unsupervised domain adapt, UDA)は、ラベル付きソースドメインからラベル付きターゲットドメインへの知識伝達に広く使用される。
UDAにおける避けられないドメイン分布の偏りは、ターゲットドメインの堅牢性をモデル化するための重要な障壁である。
頑健な UDA モデルをトレーニングするための新しいクラス一貫性のないunsupervised Domain Adaptation (CURDA) フレームワークを提案する。
論文 参考訳（メタデータ） (2020-11-18T22:21:54Z) - Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal
Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
個人再識別のための教師なし領域適応手法を提案する。
実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
論文 参考訳（メタデータ） (2020-01-14T17:43:52Z)
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。