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
- Domain Adaptive and Fine-grained Anomaly Detection for Single-cell Sequencing Data and Beyond [4.4136780724044735]
ACSleuthは, 異常細胞の検出, ドメイン適応, 微粒化アノテートを方法論的に結合したワークフローに統合した, 新規な再構成逸脱誘導型生成フレームワークである。
この分析により, ACSleuth における新規かつ優れた平均誤差に基づく異常スコアリングの開発が可能となった。
論文 参考訳(メタデータ) (2024-04-26T14:48:24Z) - Multi-Class Anomaly Detection based on Regularized Discriminative
Coupled hypersphere-based Feature Adaptation [85.15324009378344]
本稿では,修正正規化識別変分オートエンコーダ(RD-VAE)によって得られたクラス識別特性を特徴抽出プロセスに組み込んだ新しいモデルを提案する。
提案した正規化識別型超球型特徴適応(RD-CFA)は,多クラス異常検出のための解である。
論文 参考訳(メタデータ) (2023-11-24T14:26:07Z) - 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) - 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) - Enhancing Unsupervised Anomaly Detection with Score-Guided Network [13.127091975959358]
異常検出は、医療や金融システムなど、さまざまな現実世界のアプリケーションにおいて重要な役割を担っている。
正規データと異常データの間の異常スコアの差を学習・拡大するために,スコア誘導正規化を用いた新しいスコアネットワークを提案する。
次に,スコア誘導型オートエンコーダ(SG-AE)を提案する。
論文 参考訳(メタデータ) (2021-09-10T06:14:53Z) - 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) - 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) - 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) - Anomaly Detection with Domain Adaptation [5.457279006229213]
この問題を解決するために,不変表現異常検出(IRAD)を提案する。
抽出は、ソース固有のエンコーダやジェネレータと共に訓練されたクロスドメインエンコーダによって達成される。
我々は、桁画像データセット(MNIST、USPS、SVHN)とオブジェクト認識データセット(Office-Home)に基づいて、IRADを広範囲に評価する。
論文 参考訳(メタデータ) (2020-06-05T21:05:19Z) - 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。