論文の概要: Deep Multi-Manifold Transformation Based Multivariate Time Series Fault Detection

• arxiv url: http://arxiv.org/abs/2405.16258v2
• Date: Sun, 29 Jun 2025 14:17:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.336395
• Title: Deep Multi-Manifold Transformation Based Multivariate Time Series Fault Detection
• Title（参考訳）: 深部多次元変換に基づく多変量時系列故障検出
• Authors: Hong Liu, Xiuxiu Qiu, Yiming Shi, Miao Xu, Zelin Zang, Zhen Lei,
• Abstract要約: 本稿では, 近傍型データ拡張戦略と多次元表現学習フレームワークを組み合わせた新しい手法を提案する。 提案手法は精度とロバスト性の両方において優れた性能を示し, 一般化と実世界の展開の可能性を示す。
• 参考スコア（独自算出の注目度）: 22.005142941322912
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised fault detection in multivariate time series plays a vital role in ensuring the stable operation of complex systems. Traditional methods often assume that normal data follow a single Gaussian distribution and identify anomalies as deviations from this distribution. {\color{black} However, this simplified assumption fails to capture the diversity and structural complexity of real-world time series, which can lead to misjudgments and reduced detection performance in practical applications. To address this issue, we propose a new method that combines a neighborhood-driven data augmentation strategy with a multi-manifold representation learning framework.} By incorporating information from local neighborhoods, the augmentation module can simulate contextual variations of normal data, enhancing the model's adaptability to distributional changes. In addition, we design a structure-aware feature learning approach that encourages natural clustering of similar patterns in the feature space while maintaining sufficient distinction between different operational states. Extensive experiments on several public benchmark datasets demonstrate that our method achieves superior performance in terms of both accuracy and robustness, showing strong potential for generalization and real-world deployment.
• Abstract（参考訳）: 多変量時系列における教師なし故障検出は、複雑なシステムの安定動作を保証する上で重要な役割を果たす。 従来の手法では、正規データは単一のガウス分布に従っており、異常をこの分布からの逸脱とみなすことが多い。 しかし、この単純化された仮定は、現実の時系列の多様性と構造的な複雑さを捉えることに失敗し、これは誤判定と実際の応用における検出性能の低下につながる可能性がある。 この問題に対処するため,近所主導型データ拡張戦略とマルチマニフォールド表現学習フレームワークを組み合わせた新しい手法を提案する。 局所的な周辺からの情報を取り入れることで、拡張モジュールは通常のデータのコンテキスト変化をシミュレートし、分散変化に対するモデルの適応性を高めることができる。 さらに,特徴空間における類似パターンの自然なクラスタリングを促進するとともに,異なる操作状態の十分な区別を維持した構造認識型特徴学習アプローチを設計する。 いくつかの公開ベンチマークデータセットに対する大規模な実験により,本手法は精度とロバスト性の両方において優れた性能を示し,一般化と実世界の展開の可能性を示す。

関連論文リスト

• DConAD: A Differencing-based Contrastive Representation Learning Framework for Time Series Anomaly Detection [12.658792855097198]
  時系列異常は、さまざまなアプリケーション領域にわたるリスク識別と障害検出において重要な役割を担っている。 ラベルが不要なため,教師なし学習手法が普及している。 時系列異常検出のための差分型コントラスト表現学習フレームワーク(DConAD)を提案する。
  論文  参考訳（メタデータ） (2025-04-19T06:35:06Z)
• 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)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• 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)
• Time series anomaly detection with reconstruction-based state-space models [10.085100442558828]
  本稿では,時系列データに対する新しい教師なし異常検出手法を提案する。 長い短期記憶(LSTM)ベースのエンコーダデコーダを用いて観測空間と潜時空間のマッピングを行う。 潜在空間の正規化は、通常のサンプルの状態に制約を課し、マハラノビス距離を用いて異常レベルを評価する。
  論文  参考訳（メタデータ） (2023-03-06T17:52:35Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• 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)
• 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)
• Federated Variational Learning for Anomaly Detection in Multivariate Time Series [13.328883578980237]
  本稿では,非教師付き時系列異常検出フレームワークを提案する。 我々は,畳み込みGated Recurrent Unit(ConvGRU)モデルに基づいて,共有変分オートエンコーダ(VAE)を学習するために,エッジに分散したトレーニングデータを残しておく。 3つの実世界のネットワークセンサーデータセットの実験は、他の最先端モデルに対する我々のアプローチの利点を示しています。
  論文  参考訳（メタデータ） (2021-08-18T22:23:15Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• Unsupervised Deep Anomaly Detection for Multi-Sensor Time-Series Signals [10.866594993485226]
  本稿では,Deep Convolutional Autoencoding Memory Network (CAE-M) という,ディープラーニングに基づく新しい異常検出アルゴリズムを提案する。 我々はまず,最大平均離散値(MMD)を用いたマルチセンサデータの空間依存性を特徴付けるディープ畳み込みオートエンコーダを構築する。 そして,線形(自己回帰モデル)と非線形予測(注意を伴う大規模LSTM)からなるメモリネットワークを構築し,時系列データから時間依存性を捉える。
  論文  参考訳（メタデータ） (2021-07-27T06:48:20Z)
• HIFI: Anomaly Detection for Multivariate Time Series with High-order Feature Interactions [7.016615391171876]
  HIFIは自動的に多変量特徴相互作用グラフを構築し、グラフ畳み込みニューラルネットワークを使用して高次特徴相互作用を実現する。 3つの公開データセットの実験は、最先端のアプローチと比較して、我々のフレームワークの優位性を示している。
  論文  参考訳（メタデータ） (2021-06-11T04:57:03Z)

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。