Fugu-MT 論文翻訳(概要): SimAD: A Simple Dissimilarity-based Approach for Time Series Anomaly Detection

論文の概要: SimAD: A Simple Dissimilarity-based Approach for Time Series Anomaly Detection

arxiv url: http://arxiv.org/abs/2405.11238v1
Date: Sat, 18 May 2024 09:37:04 GMT
ステータス: 処理完了
システム内更新日: 2024-05-21 18:48:01.267397
Title: SimAD: A Simple Dissimilarity-based Approach for Time Series Anomaly Detection
Title（参考訳）: SimAD: 時系列異常検出のための簡易な異種性に基づくアプローチ
Authors: Zhijie Zhong, Zhiwen Yu, Xing Xi, Yue Xu, Jiahui Chen, Kaixiang Yang,
Abstract要約: 時系列異常検出のためのSimAD, $textbfSim$ple dissimilarity-based approachを紹介した。 SimADには、拡張時間窓の処理に適した高度な特徴抽出器と、正規データと異常データの間の分散分散をアクセントするContrastFusionモジュールが組み込まれている。さまざまな時系列データセットのtextbfsevenにわたる実験では、SimADが最先端のメソッドよりも優れたパフォーマンスを示している。
参考スコア（独自算出の注目度）: 11.846850082915084
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Despite the prevalence of reconstruction-based deep learning methods, time series anomaly detection remains challenging. Existing approaches often struggle with limited temporal contexts, inadequate representation of normal patterns, and flawed evaluation metrics, hindering their effectiveness in identifying aberrant behavior. To address these issues, we introduce $\textbf{{SimAD}}$, a $\textbf{{Sim}}$ple dissimilarity-based approach for time series $\textbf{{A}}$nomaly $\textbf{{D}}$etection. SimAD incorporates an advanced feature extractor adept at processing extended temporal windows, utilizes the EmbedPatch encoder to integrate normal behavioral patterns comprehensively, and introduces an innovative ContrastFusion module designed to accentuate distributional divergences between normal and abnormal data, thereby enhancing the robustness of anomaly discrimination. Additionally, we propose two robust evaluation metrics, UAff and NAff, addressing the limitations of existing metrics and demonstrating their reliability through theoretical and experimental analyses. Experiments across $\textbf{seven}$ diverse time series datasets demonstrate SimAD's superior performance compared to state-of-the-art methods, achieving relative improvements of $\textbf{19.85%}$ on F1, $\textbf{4.44%}$ on Aff-F1, $\textbf{77.79%}$ on NAff-F1, and $\textbf{9.69%}$ on AUC on six multivariate datasets. Code and pre-trained models are available at https://github.com/EmorZz1G/SimAD.
Abstract（参考訳）: 再構成に基づくディープラーニング手法が普及しているにもかかわらず、時系列異常検出は依然として困難である。既存のアプローチは、限られた時間的文脈、正常なパターンの不十分な表現、欠陥のある評価指標に苦しむことが多く、異常な振る舞いを特定する上での有効性を妨げている。これらの問題に対処するために、$\textbf{{SimAD}}$, a $\textbf{{Sim}}$ple dissimilarity-based approach for time series $\textbf{{A}}$nomaly $\textbf{{D}}$etectionを紹介します。 SimADには、拡張時間窓の処理に適した高度な特徴抽出器が組み込まれており、EmbedPatchエンコーダを使用して、通常の行動パターンを包括的に統合し、正規データと異常データの分散分散をアクセントする革新的なContrastFusionモジュールを導入し、異常識別の堅牢性を高める。さらに,UAff と NAff の2つの頑健な評価指標を提案し,既存の指標の限界に対処し,理論的および実験的分析を通じて信頼性を示す。 Aff-F1、$\textbf{4.44%}$ on Aff-F1、$\textbf{77.79%}$ on NAff-F1、$\textbf{9.69%}$ on AUC on six multivariate data。コードと事前訓練されたモデルはhttps://github.com/EmorZz1G/SimAD.comで入手できる。

関連論文リスト

Byzantine-resilient Federated Learning Employing Normalized Gradients on Non-IID Datasets [23.640506243685863]
実践的連合学習(FLNGA)では、悪意のある攻撃やデータ不均一性の存在が学習プロセスにバイアスをもたらすことが多い。本稿では、アップロードされた局所勾配をアグリゲーションの前に正規化する正規化勾配単位(Fed-M)モデルを提案し、$mathcalO(pM)$を達成した。
論文参考訳（メタデータ） (2024-08-18T16:50:39Z)
Exploiting Pre-trained Models for Drug Target Affinity Prediction with Nearest Neighbors [58.661454334877256]
薬物-標的結合親和性(DTA)予測は、薬物発見に不可欠である。 DTA予測へのディープラーニング手法の適用にもかかわらず、達成された精度は依然として準最適である。事前学習したDTA予測モデルに適用した非表現埋め込みに基づく検索手法である$k$NN-DTAを提案する。
論文参考訳（メタデータ） (2024-07-21T15:49:05Z)
USD: Unsupervised Soft Contrastive Learning for Fault Detection in Multivariate Time Series [6.055410677780381]
本研究では,データ拡張とソフトコントラスト学習の組み合わせを導入し,より正確に状態行動の多面的特性を捉えることを目的としている。この二重戦略は、正常な状態と異常な状態を区別するモデルの能力を著しく向上させ、複数のデータセットと設定で障害検出性能が著しく向上する。
論文参考訳（メタデータ） (2024-05-25T14:48:04Z)
Adversarial Anomaly Detection using Gaussian Priors and Nonlinear Anomaly Scores [0.21847754147782888]
不均衡データセットにおける異常検出は、特に医療領域において頻繁にかつ重要な問題である。本稿では,$beta$-variational autoencoder(VAE)の生成安定性とGAN(Generative Adversarial Network)の識別強度を組み合わせることで,新たなモデルである$beta$-VAEGANを提案する。本稿では,モデルの識別的,再構成的能力に基づいて,異常スコアを構成する手法について検討する。
論文参考訳（メタデータ） (2023-10-27T12:24:08Z)
DFedADMM: Dual Constraints Controlled Model Inconsistency for Decentralized Federated Learning [52.83811558753284]
分散学習(DFL)は、中央サーバーを捨て、分散通信ネットワークを確立する。既存のDFL手法は依然として、局所的な矛盾と局所的な過度なオーバーフィッティングという2つの大きな課題に悩まされている。
論文参考訳（メタデータ） (2023-08-16T11:22:36Z)
Hard Nominal Example-aware Template Mutual Matching for Industrial Anomaly Detection [74.9262846410559]
textbfHard Nominal textbfExample-aware textbfTemplate textbfMutual textbfMatching (HETMM) textitHETMMは、厳密なプロトタイプベースの決定境界を構築することを目的としており、ハードノミナルな例と異常を正確に区別することができる。
論文参考訳（メタデータ） (2023-03-28T17:54:56Z)
Making Reconstruction-based Method Great Again for Video Anomaly Detection [64.19326819088563]
ビデオの異常検出は重要な問題だが、難しい問題だ。既存の再構成に基づく手法は、昔ながらの畳み込みオートエンコーダに依存している。連続フレーム再構築のための新しいオートエンコーダモデルを提案する。
論文参考訳（メタデータ） (2023-01-28T01:57:57Z)
Adaptive Memory Networks with Self-supervised Learning for Unsupervised Anomaly Detection [54.76993389109327]
教師なし異常検出は、通常のデータのみをトレーニングすることで、目に見えない異常を検出するモデルを構築することを目的としている。本稿では,これらの課題に対処するために,自己教師付き学習(AMSL)を用いた適応記憶ネットワーク(Adaptive Memory Network)を提案する。 AMSLには、一般的な正規パターンを学ぶための自己教師付き学習モジュールと、リッチな特徴表現を学ぶための適応型メモリ融合モジュールが組み込まれている。
論文参考訳（メタデータ） (2022-01-03T03:40:21Z)
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)
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。