論文の概要: MultiRC: Joint Learning for Time Series Anomaly Prediction and Detection with Multi-scale Reconstructive Contrast

• arxiv url: http://arxiv.org/abs/2410.15997v1
• Date: Mon, 21 Oct 2024 13:28:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:17:22.766994
• Title: MultiRC: Joint Learning for Time Series Anomaly Prediction and Detection with Multi-scale Reconstructive Contrast
• Title（参考訳）: MultiRC:マルチスケール再構成コントラストを用いた時系列異常予測と検出のための共同学習
• Authors: Shiyan Hu, Kai Zhao, Xiangfei Qiu, Yang Shu, Jilin Hu, Bin Yang, Chenjuan Guo,
• Abstract要約: 異常予測と検出の連立学習のための再構成学習とコントラスト学習を統合したMultiRCを提案する。 異常予測と検出の両方のタスクに対して、MultiRCは既存の最先端メソッドよりも優れています。
• 参考スコア（独自算出の注目度）: 20.857498201188566
• License:
• Abstract: Many methods have been proposed for unsupervised time series anomaly detection. Despite some progress, research on predicting future anomalies is still relatively scarce. Predicting anomalies is particularly challenging due to the diverse reaction time and the lack of labeled data. To address these challenges, we propose MultiRC to integrate reconstructive and contrastive learning for joint learning of anomaly prediction and detection, with multi-scale structure and adaptive dominant period mask to deal with the diverse reaction time. MultiRC also generates negative samples to provide essential training momentum for the anomaly prediction tasks and prevent model degradation. We evaluate seven benchmark datasets from different fields. For both anomaly prediction and detection tasks, MultiRC outperforms existing state-of-the-art methods.
• Abstract（参考訳）: 教師なし時系列異常検出のための多くの手法が提案されている。 いくつかの進歩にもかかわらず、将来の異常を予測する研究はまだ比較的少ない。 様々な反応時間とラベル付きデータの欠如により、予測異常は特に困難である。 これらの課題に対処するため,我々はMultiRCを提案し,異常予測と検出の連立学習のための再構成学習とコントラスト学習を多スケール構造と適応支配型周期マスクで統合し,多様な反応時間に対処する。 また、MultiRCは、異常予測タスクに必須のトレーニングモーメントを与え、モデル劣化を防止するために、負のサンプルを生成する。 異なる分野から7つのベンチマークデータセットを評価する。 異常予測と検出の両方のタスクに対して、MultiRCは既存の最先端メソッドよりも優れています。

関連論文リスト

• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• DACR: Distribution-Augmented Contrastive Reconstruction for Time-Series Anomaly Detection [12.3866167448478]
  時系列データの異常検出は、さまざまなアプリケーションにわたる障害、障害、脅威、異常を識別するために不可欠である。 近年、このトピックにディープラーニング技術が適用されているが、現実のシナリオではしばしば苦労している。 本稿では,これらの課題に対処するため,DACR(Distributed-Augmented Contrastive Reconstruction)を提案する。
  論文  参考訳（メタデータ） (2024-01-20T16:56:52Z)
• 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)
• Algorithmic Recourse for Anomaly Detection in Multivariate Time Series [19.74694026053318]
  本稿では、異常な時間ステップを反転させるリコースアクションを推奨できるRecADと呼ばれるアルゴリズム的リコースフレームワークを提案する。 2つの合成データセットと1つの実世界のデータセットの実験は、我々のフレームワークの有効性を示している。
  論文  参考訳（メタデータ） (2023-09-28T23:50:11Z)
• MadSGM: Multivariate Anomaly Detection with Score-based Generative Models [22.296610226476542]
  スコアベース生成モデルに基づく時系列異常検出器MadSGMを提案する。 5つの実世界のベンチマークデータセットの実験は、MadSGMが最も堅牢で正確な予測を達成していることを示している。
  論文  参考訳（メタデータ） (2023-08-29T07:04:50Z)
• 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)
• 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)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• 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。