Fugu-MT 論文翻訳(概要): Topological Analysis for Detecting Anomalies (TADA) in Time Series

論文の概要: Topological Analysis for Detecting Anomalies (TADA) in Time Series

arxiv url: http://arxiv.org/abs/2406.06168v1
Date: Mon, 10 Jun 2024 11:03:40 GMT
ステータス: 処理完了
システム内更新日: 2024-06-11 14:17:29.202893
Title: Topological Analysis for Detecting Anomalies (TADA) in Time Series
Title（参考訳）: 時系列における異常検出(TADA)のトポロジー解析
Authors: Frédéric Chazal, Martin Royer, Clément Levrard,
Abstract要約: 提案手法は大規模データセットを扱うのに十分なリーンであり、既存の手法よりも相関構造のグローバルな変化を検出するのに適しているという直感を裏付ける広範な数値実験である。依存時間列に基づく量子化アルゴリズムの理論的保証も提供される。
参考スコア（独自算出の注目度）: 3.040934280444531
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper introduces new methodology based on the field of Topological Data Analysis for detecting anomalies in multivariate time series, that aims to detect global changes in the dependency structure between channels. The proposed approach is lean enough to handle large scale datasets, and extensive numerical experiments back the intuition that it is more suitable for detecting global changes of correlation structures than existing methods. Some theoretical guarantees for quantization algorithms based on dependent time sequences are also provided.
Abstract（参考訳）: 本稿では,多変量時系列における異常検出のためのトポロジカルデータ解析の分野に基づく新しい手法を提案する。提案手法は大規模データセットを扱うのに十分なリーンであり、既存の手法よりも相関構造のグローバルな変化を検出するのに適しているという直感を裏付ける広範な数値実験である。依存時間列に基づく量子化アルゴリズムの理論的保証も提供される。

関連論文リスト

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)
Functional Generalized Canonical Correlation Analysis for studying multiple longitudinal variables [0.9208007322096533]
FGCCA(Functional Generalized Canonical correlation Analysis)は、共同で観測される複数のランダムプロセス間の関連を探索する新しいフレームワークである。我々は,解法の単調性を確立し,標準成分を推定するためのベイズ的アプローチを導入する。本稿では,縦断データセットにユースケースを提示し,シミュレーション研究における手法の効率性を評価する。
論文参考訳（メタデータ） (2023-10-11T09:21:31Z)
Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
論文参考訳（メタデータ） (2023-05-11T10:30:35Z)
A Survey on Deep Learning based Time Series Analysis with Frequency Transformation [74.3919960186696]
周波数変換(FT)は、時系列解析における最先端の精度と効率を高めるために、ディープラーニングモデルにますます取り入れられている。この新興分野における注目の高まりと研究の高まりにもかかわらず、現在、FTを用いたディープラーニングベースの時系列モデルの体系的レビューと詳細な分析が欠如している。本稿では,FTを用いた深層学習に基づく時系列解析における最近の研究成果を体系的に研究し,要約する総合的なレビューを紹介する。
論文参考訳（メタデータ） (2023-02-04T14:33:07Z)
TFAD: A Decomposition Time Series Anomaly Detection Architecture with Time-Frequency Analysis [12.867257563413972]
時系列異常検出は、複雑な時間的依存と限られたラベルデータのために難しい問題である。本稿では,時間領域と周波数領域の両方を利用した時間周波数解析に基づく時系列異常検出モデル(TFAD)を提案する。
論文参考訳（メタデータ） (2022-10-18T09:08:57Z)
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)
Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-05-06T08:48:02Z)
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)
Multi-Decoder RNN Autoencoder Based on Variational Bayes Method [0.3007949058551534]
本稿では、繰り返しニューラルネットワークによる信号の生成過程と変分ベイズ法に着目した新しいクラスタリングアルゴリズムを提案する。実験の結果,提案アルゴリズムは位相シフト,振幅,信号長の変動に対する頑健性だけでなく,変分ベイズ法の特性に基づく柔軟なクラスタリングも可能であることがわかった。
論文参考訳（メタデータ） (2020-04-29T08:25:07Z)
Anomaly Detection in Univariate Time-series: A Survey on the State-of-the-Art [0.0]
時系列データの異常検出は、長い間重要な研究分野であった。近年,時系列の異常を検出する機械学習アルゴリズムが増えている。研究者たちは、(ディープ)ニューラルネットワークを使ってこれらの技術を改善しようとした。
論文参考訳（メタデータ） (2020-04-01T13:22:34Z)
RobustTAD: Robust Time Series Anomaly Detection via Decomposition and Convolutional Neural Networks [37.16594704493679]
本稿では,ロバスト時系列異常検出フレームワークRobustTADを提案する。時系列データのために、堅牢な季節差分解と畳み込みニューラルネットワークを統合する。パブリックオンラインサービスとしてデプロイされ、Alibaba Groupのさまざまなビジネスシナリオで広く採用されている。
論文参考訳（メタデータ） (2020-02-21T20:43:45Z)

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。