Fugu-MT 論文翻訳(概要): Anomaly Prediction: A Novel Approach with Explicit Delay and Horizon

論文の概要: Anomaly Prediction: A Novel Approach with Explicit Delay and Horizon

arxiv url: http://arxiv.org/abs/2408.04377v3
Date: Wed, 23 Oct 2024 14:29:56 GMT
ステータス: 処理完了
システム内更新日: 2024-11-08 12:22:45.556008
Title: Anomaly Prediction: A Novel Approach with Explicit Delay and Horizon
Title（参考訳）: 異常予測: 明示的遅延と水平による新しいアプローチ
Authors: Jiang You, Arben Cela, René Natowicz, Jacob Ouanounou, Patrick Siarry,
Abstract要約: 本稿では,時系列異常予測に時間的情報を直接組み込んだ新しい手法を提案する。本研究は, 時間的, 正確な異常予測を行う上で, 提案手法の有効性を実証し, 今後の研究のための新しいベンチマークを設定した。
参考スコア（独自算出の注目度）: 1.8816077341295625
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Anomaly detection in time series data is a critical challenge across various domains. Traditional methods typically focus on identifying anomalies in immediate subsequent steps, often underestimating the significance of temporal dynamics such as delay time and horizons of anomalies, which generally require extensive post-analysis. This paper introduces a novel approach for time series anomaly prediction, incorporating temporal information directly into the prediction results. We propose a new dataset specifically designed to evaluate this approach and conduct comprehensive experiments using several state-of-the-art methods. Our results demonstrate the efficacy of our approach in providing timely and accurate anomaly predictions, setting a new benchmark for future research in this field.
Abstract（参考訳）: 時系列データの異常検出は、さまざまな領域において重要な課題である。従来の手法では、通常、後続のステップで異常を識別することに集中しており、多くの場合、遅延時間や異常の地平線といった時間的ダイナミクスの重要性を過小評価している。本稿では,時系列異常予測に時間的情報を直接組み込んだ新しい手法を提案する。本稿では,このアプローチの評価と,いくつかの最先端手法を用いた包括的実験を行うために設計された新しいデータセットを提案する。本研究は, 時間的, 正確な異常予測を行う上で, 提案手法の有効性を実証し, 今後の研究のための新しいベンチマークを設定した。

関連論文リスト

Deconfounding Time Series Forecasting [1.5967186772129907]
時系列予測は様々な領域において重要な課題であり、正確な予測は情報的な意思決定を促進する。従来の予測手法は、しばしば将来の結果を予測するために変数の現在の観測に依存している。本稿では,過去のデータから得られた潜在的共同設立者の表現を取り入れた予測手法を提案する。
論文参考訳（メタデータ） (2024-10-27T12:45:42Z)
Unsupervised Time Series Anomaly Prediction with Importance-based Generative Contrastive Learning [13.082961588929606]
時系列異常予測は、環境防止やサイバー物理システムの早期維持など、多くの現実のシナリオにおいて重要な役割を果たす。既存の時系列異常予測手法は、主に手動でラベル付けされた大量のデータで教師付きトレーニングを必要とする。本稿では,教師なし時系列異常予測の新しい問題について検討する。
論文参考訳（メタデータ） (2024-10-22T10:46:36Z)
Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
本稿では,長期時系列予測のための制約付き学習手法を提案する。提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-02-14T18:20:44Z)
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)
Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文参考訳（メタデータ） (2023-10-09T18:34:29Z)
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)
Precursor-of-Anomaly Detection for Irregular Time Series [31.73234935455713]
本稿では,新しいタイプの異常検出法であるPrecursor-of-Anomaly(PoA)について述べる。両問題を同時に解くために,ニューラルネットワークとマルチタスク学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-06-27T14:10:09Z)
Spatio-temporal predictive tasks for abnormal event detection in videos [60.02503434201552]
オブジェクトレベルの正規化パターンを学習するための制約付きプレテキストタスクを提案する。我々のアプローチは、ダウンスケールの視覚的クエリとそれに対応する正常な外観と運動特性のマッピングを学習することである。いくつかのベンチマークデータセットの実験では、異常の局所化と追跡のためのアプローチの有効性が示されている。
論文参考訳（メタデータ） (2022-10-27T19:45:12Z)
A Comparative Study on Unsupervised Anomaly Detection for Time Series: Experiments and Analysis [28.79393419730138]
時系列異常検出は、信頼性と安全性を実現するためにしばしば不可欠である。近年,時系列データの異常検出が盛んに行われている。データ、メソッド、評価戦略について紹介する。我々は,最先端技術とディープラーニング技術とを体系的に評価し,比較した。
論文参考訳（メタデータ） (2022-09-10T10:44:25Z)
Neural Contextual Anomaly Detection for Time Series [7.523820334642732]
本稿では,時系列における異常検出のためのフレームワークであるNeural Contextual Anomaly Detection (NCAD)を紹介する。 NCADは教師なし設定から教師なし設定までシームレスにスケールする。我々は,提案手法が最先端の性能を得るための標準ベンチマークデータセットを実証的に実証した。
論文参考訳（メタデータ） (2021-07-16T04:33:53Z)
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。