論文の概要: Joint Selective State Space Model and Detrending for Robust Time Series Anomaly Detection
- arxiv url: http://arxiv.org/abs/2405.19823v2
- Date: Tue, 20 Aug 2024 08:00:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-21 19:49:55.078087
- Title: Joint Selective State Space Model and Detrending for Robust Time Series Anomaly Detection
- Title（参考訳）: ロバスト時系列異常検出のための連立選択状態空間モデルとデトレクション
- Authors: Junqi Chen, Xu Tan, Sylwan Rahardja, Jiawei Yang, Susanto Rahardja,
- Abstract要約: 深層学習に基づくシーケンスモデルは時系列異常検出タスクに広く利用されている。
TSADの能力は、(i)長距離依存をモデル化する能力と(ii)非定常データの存在下での一般化問題という2つの主要な課題によって制限されている。
- 参考スコア（独自算出の注目度）: 25.60381244912307
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning-based sequence models are extensively employed in Time Series Anomaly Detection (TSAD) tasks due to their effective sequential modeling capabilities. However, the ability of TSAD is limited by two key challenges: (i) the ability to model long-range dependency and (ii) the generalization issue in the presence of non-stationary data. To tackle these challenges, an anomaly detector that leverages the selective state space model known for its proficiency in capturing long-term dependencies across various domains is proposed. Additionally, a multi-stage detrending mechanism is introduced to mitigate the prominent trend component in non-stationary data to address the generalization issue. Extensive experiments conducted on realworld public datasets demonstrate that the proposed methods surpass all 12 compared baseline methods.
- Abstract（参考訳）: 深層学習に基づくシーケンスモデルは、効率的な逐次モデリング機能のため、時系列異常検出(TSAD)タスクに広く採用されている。
しかし、TSADの能力は2つの主要な課題によって制限されている。
一 長距離依存をモデル化する能力及び
(II)非定常データが存在する場合の一般化問題。
これらの課題に対処するために、様々な領域にまたがる長期的依存関係を捕捉する能力で知られている選択的状態空間モデルを活用する異常検出器を提案する。
さらに、非定常データにおける顕著なトレンド成分を緩和し、一般化問題に対処する多段抑止機構を導入する。
実世界の公開データセットで実施された大規模な実験により、提案手法が12の比較ベースライン法をすべて超越していることが証明された。
関連論文リスト
- Causal Time-Series Synchronization for Multi-Dimensional Forecasting [1.1060425537315088]
プロセス産業のDigital Twinsに対する高い期待は、タスクや多様なドメインをまたいで一般化できるモデリングアプローチを必要とする。
提案手法は, (i) データ駆動方式を用いて高度にタグ付けされた因果関係を同定し, (ii) 原因-影響ペアを同期させて, チャネル依存事前学習のためのトレーニングサンプルを生成し, (iii) チャネル依存予測におけるこのアプローチの有効性を評価することに焦点を当てる。
論文 参考訳（メタデータ） (2024-11-15T12:50:57Z) - MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。
本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
論文 参考訳（メタデータ） (2024-10-12T07:02:33Z) - On the Resurgence of Recurrent Models for Long Sequences -- Survey and
Research Opportunities in the Transformer Era [59.279784235147254]
この調査は、Recurrenceの統一の傘の下に構築されたこれらのトレンドの概要を提供することを目的としている。
長いシーケンスを処理するという考え方を捨てる際に顕著になる新しい研究機会を強調している。
論文 参考訳（メタデータ） (2024-02-12T23:55:55Z) - Revisiting VAE for Unsupervised Time Series Anomaly Detection: A
Frequency Perspective [40.21603048003118]
変分オートエンコーダ(VAE)は、より優れたノイズ除去能力のために近年人気を集めている。
FCVAEは、グローバルとローカルの両方の周波数特徴を条件付き変分オートエンコーダ(CVAE)の条件に同時に統合する革新的なアプローチを利用する
提案手法は, パブリックデータセットと大規模クラウドシステムを用いて評価され, その結果, 最先端の手法よりも優れた結果が得られた。
論文 参考訳（メタデータ） (2024-02-05T09:06:57Z) - 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) - 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) - Diffusion-based Time Series Imputation and Forecasting with Structured
State Space Models [2.299617836036273]
我々は、条件拡散モデルと構造化状態空間モデルという2つの新興技術に依存した計算モデルであるSSSDを提唱した。
我々は、SSSDが最先端の確率的計算値と一致し、幅広いデータセットと異なる欠点シナリオで性能を予測できることを実証する。
論文 参考訳（メタデータ） (2022-08-19T15:29:43Z) - 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) - Time Series Anomaly Detection via Reinforcement Learning-Based Model
Selection [3.1692938090731584]
時系列異常検出は、実世界のシステムの信頼性と効率的な運用において重要である。
本研究では、異常検出モデルのプールがアクセス可能であると仮定し、強化学習を利用して候補モデルを動的に選択することを提案する。
提案手法は,全体の性能において,すべてのベースラインモデルより優れていることを示す。
論文 参考訳（メタデータ） (2022-05-19T22:10:35Z) - A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。
基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
論文 参考訳（メタデータ） (2020-02-21T23:10:50Z) - A Comprehensive Study on Temporal Modeling for Online Action Detection [50.558313106389335]
オンライン行動検出(OAD)は実用的だが難しい課題であり、近年注目を集めている。
本稿では,4種類の時間的モデリング手法を含むOADの時間的モデリングに関する総合的研究を提案する。
本稿では,THUMOS-14 と TVSeries に対して,近年の最先端手法よりも大きなマージンを有するハイブリッド時間モデルを提案する。
論文 参考訳（メタデータ） (2020-01-21T13:12:58Z)
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。