論文の概要: Harnessing Feature Clustering For Enhanced Anomaly Detection With Variational Autoencoder And Dynamic Threshold
- arxiv url: http://arxiv.org/abs/2407.10042v1
- Date: Sun, 14 Jul 2024 01:52:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-16 19:48:19.185035
- Title: Harnessing Feature Clustering For Enhanced Anomaly Detection With Variational Autoencoder And Dynamic Threshold
- Title(参考訳): 変分オートエンコーダと動的閾値を用いた異常検出のためのHarnessing機能クラスタリング
- Authors: Tolulope Ale, Nicole-Jeanne Schlegel, Vandana P. Janeja,
- Abstract要約: 北極圏の融雪のような極端な気候現象に影響を及ぼす臨界期間と特徴を識別する異常検出手法を導入する。
この方法は動的しきい値と相関に基づく特徴クラスタリングと統合された変分オートエンコーダを利用する。
この枠組みは、VAEが局所的な依存関係を識別し、気候データにおける時間的関係を学習する能力を高める。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce an anomaly detection method for multivariate time series data with the aim of identifying critical periods and features influencing extreme climate events like snowmelt in the Arctic. This method leverages the Variational Autoencoder (VAE) integrated with dynamic thresholding and correlation-based feature clustering. This framework enhances the VAE's ability to identify localized dependencies and learn the temporal relationships in climate data, thereby improving the detection of anomalies as demonstrated by its higher F1-score on benchmark datasets. The study's main contributions include the development of a robust anomaly detection method, improving feature representation within VAEs through clustering, and creating a dynamic threshold algorithm for localized anomaly detection. This method offers explainability of climate anomalies across different regions.
- Abstract(参考訳): 北極圏の融雪のような極端な気候イベントに影響を及ぼす重要な期間と特徴を特定することを目的とした,多変量時系列データの異常検出手法を提案する。
この方法は、動的しきい値と相関に基づく特徴クラスタリングと統合された変分オートエンコーダ(VAE)を利用する。
このフレームワークは、VAEが局所的な依存関係を識別し、気候データにおける時間的関係を学習する能力を強化し、より高いF1スコアのベンチマークデータセットで示されるような異常の検出を改善する。
この研究の主な貢献は、ロバストな異常検出法の開発、クラスタリングによるVAE内の特徴表現の改善、局所的な異常検出のための動的しきい値アルゴリズムの作成である。
この方法は、異なる地域にわたる気候異常の説明可能性を提供する。
関連論文リスト
- Secure Hierarchical Federated Learning in Vehicular Networks Using Dynamic Client Selection and Anomaly Detection [10.177917426690701]
階層的フェデレートラーニング(HFL)は、車両ネットワークにおける敵または信頼できない車両の課題に直面している。
本研究では,動的車両選択とロバストな異常検出機構を統合した新しい枠組みを提案する。
提案アルゴリズムは,強烈な攻撃条件下においても顕著なレジリエンスを示す。
論文 参考訳(メタデータ) (2024-05-25T18:31:20Z) - Spatial-temporal Memories Enhanced Graph Autoencoder for Anomaly Detection in Dynamic Graphs [52.956235109354175]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。
空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。
STRIPEは、動的グラフの異なる空間的・時間的ダイナミクスを効果的に活用することにより、異常を識別する優れた能力を示した。
論文 参考訳(メタデータ) (2024-03-14T02:26:10Z) - 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) - ADT: Agent-based Dynamic Thresholding for Anomaly Detection [4.356615197661274]
本稿では,エージェントベースの動的しきい値処理(ADT)フレームワークを提案する。
本研究では,自動エンコーダを用いて特徴表現を取得し,複雑な入力データに対する異常スコアを生成する。
ADTはオートエンコーダの異常スコアを利用して閾値を適応的に調整することができる。
論文 参考訳(メタデータ) (2023-12-03T19:07:30Z) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳(メタデータ) (2023-11-27T13:14:06Z) - Multi-Class Anomaly Detection based on Regularized Discriminative
Coupled hypersphere-based Feature Adaptation [85.15324009378344]
本稿では,修正正規化識別変分オートエンコーダ(RD-VAE)によって得られたクラス識別特性を特徴抽出プロセスに組み込んだ新しいモデルを提案する。
提案した正規化識別型超球型特徴適応(RD-CFA)は,多クラス異常検出のための解である。
論文 参考訳(メタデータ) (2023-11-24T14:26:07Z) - Unraveling the "Anomaly" in Time Series Anomaly Detection: A
Self-supervised Tri-domain Solution [89.16750999704969]
異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。
自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。
自己教師型3領域異常検出器(TriAD)を提案する。
論文 参考訳(メタデータ) (2023-11-19T05:37:18Z) - HFN: Heterogeneous Feature Network for Multivariate Time Series Anomaly
Detection [2.253268952202213]
MTSのためのヘテロジニアス特徴ネットワーク(HFN)に基づく,新しい半教師付き異常検出フレームワークを提案する。
まず、センサ埋め込みによって生成された埋め込み類似性グラフと、センサ値によって生成された特徴値類似性グラフを組み合わせて、時系列不均一グラフを構築する。
このアプローチは、ヘテロジニアスグラフ構造学習(HGSL)と表現学習の最先端技術を融合させる。
論文 参考訳(メタデータ) (2022-11-01T05:01:34Z) - An Evaluation of Anomaly Detection and Diagnosis in Multivariate Time
Series [7.675917669905486]
本稿では,異常検出・診断のための教師なし・半教師付き深層学習手法の体系的・包括的評価について述べる。
我々は、10のモデルと4のスコアリング関数のグリッドを通して、モデルエラーのモデルと後処理を変え、これらの変種を最先端の手法と比較する。
既存の評価指標は、事象を考慮に入れていないか、良い検知器と自明な検出器を区別できないかのどちらかである。
論文 参考訳(メタデータ) (2021-09-23T15:14:24Z) - 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。