論文の概要: Warped Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2404.12134v1
• Date: Thu, 18 Apr 2024 12:35:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-19 19:11:44.572002
• Title: Warped Time Series Anomaly Detection
• Title（参考訳）: ワープ時系列異常検出
• Authors: Charlotte Lacoquelle, Xavier Pucel, Louise Travé-Massuyès, Axel Reymonet, Benoît Enaux,
• Abstract要約: 本稿では,繰り返し動作を伴うシステムに焦点をあて,時系列の外れ値を検出する問題に対処する。 WarpEd Time Series Anomaly Detection (WETSAND) と呼ばれる全体的なアプローチは、動的時間ワープアルゴリズムとその変種を利用する。 実験の結果、ウェットサンドは大きな信号にスケールし、人間に親しみやすいプロトタイプを計算し、非常に少ないデータで動作し、オートエンコーダのような汎用的な異常検出アプローチよりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 0.94371657253557
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper addresses the problem of detecting time series outliers, focusing on systems with repetitive behavior, such as industrial robots operating on production lines.Notable challenges arise from the fact that a task performed multiple times may exhibit different duration in each repetition and that the time series reported by the sensors are irregularly sampled because of data gaps. The anomaly detection approach presented in this paper consists of three stages.The first stage identifies the repetitive cycles in the lengthy time series and segments them into individual time series corresponding to one task cycle, while accounting for possible temporal distortions.The second stage computes a prototype for the cycles using a GPU-based barycenter algorithm, specifically tailored for very large time series.The third stage uses the prototype to detect abnormal cycles by computing an anomaly score for each cycle.The overall approach, named WarpEd Time Series ANomaly Detection (WETSAND), makes use of the Dynamic Time Warping algorithm and its variants because they are suited to the distorted nature of the time series.The experiments show that \wetsand scales to large signals, computes human-friendly prototypes, works with very little data, and outperforms some general purpose anomaly detection approaches such as autoencoders.
• Abstract（参考訳）: 本稿では,生産ライン上で動作している産業用ロボットなどの繰り返し動作系に着目した時系列出力検出の問題に対処する。これは,複数回実行されたタスクが繰り返し毎に異なる持続時間を示すこと,センサによって報告された時系列がデータギャップのために不規則にサンプリングされることから生じる問題である。 本論文で提示される異常検出手法は,3段階からなる。第1段階では,時系列の繰り返しサイクルを,時間的歪みを考慮しながら,1つのタスクサイクルに対応する個別の時系列に分割する。第2段階ではGPUベースのバリセンタアルゴリズムを用いて,サイクルのプロトタイプを演算する。第3段階では,各サイクルの異常スコアを演算して異常なサイクルを検出する。全体としては,WarpEd Time Series Anomaly Detection (WETSAND) という名称で,動的時間ワーピングアルゴリズムとその変種を用いる。この実験では,大規模な信号のスケール,人為的なデータ処理,異常検出などの目的で,大規模なデータ処理を行う。

関連論文リスト

• GraphSubDetector: Time Series Subsequence Anomaly Detection via Density-Aware Adaptive Graph Neural Network [24.37330736887409]
  サブシーケンス異常検出,すなわちGraphSubDetectorに対する新しいアプローチを提案する。 まず、正規パターンと異常パターンの両方の特徴を強調する長さ選択機構を用いて、適切な列長を適応的に学習する。 第2に、サブシーケンス間のメッセージパッシングによる異常検出のための正規データの分散に対して、より堅牢な表現を生成できる密度対応適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2024-11-26T08:36:07Z)
• Understanding Time Series Anomaly State Detection through One-Class Classification [13.822504564241454]
  本稿では,一級分類(OCC)による時系列異常検出問題の再検討と定義を試みる。 まず、プロセスと仮説テストを用いて「時系列異常状態検出問題」とその対応する異常を厳密に定義する。 そして、時系列分類データセットを用いて、問題に対応する人工データセットを構築する。 我々は38個の異常検出アルゴリズムをコンパイルし、いくつかのアルゴリズムを修正してこの問題に対処する。
  論文  参考訳（メタデータ） (2024-02-03T03:43:04Z)
• 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)
• Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
  本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。 実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
  論文  参考訳（メタデータ） (2023-10-17T06:29:09Z)
• 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)
• DCdetector: Dual Attention Contrastive Representation Learning for Time Series Anomaly Detection [26.042898544127503]
  時系列異常検出は幅広い用途において重要である。 時系列の通常のサンプル分布から逸脱したサンプルを識別することを目的としている。 マルチスケールな二重注意コントラスト表現学習モデルであるDCdetectorを提案する。
  論文  参考訳（メタデータ） (2023-06-17T13:40:15Z)
• TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis [80.56913334060404]
  時系列解析は、天気予報、異常検出、行動認識などの応用において非常に重要である。 従来の手法では、1D時系列から直接これを達成しようと試みていた。 複雑な経時的変化を、複数の経時的変化と経時的変化に明らかにする。
  論文  参考訳（メタデータ） (2022-10-05T12:19:51Z)
• Tripletformer for Probabilistic Interpolation of Irregularly sampled Time Series [6.579888565581481]
  本稿では,不規則なサンプル時間列の確率的推定のために,"Tripletformer"と呼ばれる新しいエンコーダデコーダアーキテクチャを提案する。 この注意に基づくモデルは、各要素が三重時間、チャネル、および値からなる観測セットで動作する。 その結果,実世界のデータセットでは最大32%,合成データセットでは85%の負の対数誤差が改善された。
  論文  参考訳（メタデータ） (2022-10-05T08:31:05Z)
• Triformer: Triangular, Variable-Specific Attentions for Long Sequence Multivariate Time Series Forecasting--Full Version [50.43914511877446]
  本稿では,高い効率と精度を確保するために,三角形,可変特性に着目した注意点を提案する。 我々はTriformerが精度と効率の両方で最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-28T20:41:49Z)
• 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)

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。