論文の概要: Unsupervised Time Series Anomaly Prediction with Importance-based Generative Contrastive Learning

• arxiv url: http://arxiv.org/abs/2410.16888v1
• Date: Tue, 22 Oct 2024 10:46:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-23 14:28:03.282330
• Title: Unsupervised Time Series Anomaly Prediction with Importance-based Generative Contrastive Learning
• Title（参考訳）: 重要度に基づく生成的コントラスト学習を用いた教師なし時系列異常予測
• Authors: Kai Zhao, Zhihao Zhuang, Chenjuan Guo, Hao Miao, Yunyao Cheng, Bin Yang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 13.082961588929606
• License:
• Abstract: Time series anomaly prediction plays an essential role in many real-world scenarios, such as environmental prevention and prompt maintenance of cyber-physical systems. However, existing time series anomaly prediction methods mainly require supervised training with plenty of manually labeled data, which are difficult to obtain in practice. Besides, unseen anomalies can occur during inference, which could differ from the labeled training data and make these models fail to predict such new anomalies. In this paper, we study a novel problem of unsupervised time series anomaly prediction. We provide a theoretical analysis and propose Importance-based Generative Contrastive Learning (IGCL) to address the aforementioned problems. IGCL distinguishes between normal and anomaly precursors, which are generated by our anomaly precursor pattern generation module. To address the efficiency issues caused by the potential complex anomaly precursor combinations, we propose a memory bank with importance-based scores to adaptively store representative anomaly precursors and generate more complicated anomaly precursors. Extensive experiments on seven benchmark datasets show our method outperforms state-of-the-art baselines on unsupervised time series anomaly prediction problems.
• Abstract（参考訳）: 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。 しかし,既存の時系列異常予測手法では,手動でラベル付けした大量のデータを用いた教師あり訓練が必要であり,実際は入手が困難である。 さらに、推論中に目に見えない異常が発生し、ラベル付きトレーニングデータと異なり、これらのモデルがそのような新しい異常を予測するのに失敗する可能性がある。 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。 本稿では, 上記の問題に対処するために, 重要度に基づく生成コントラスト学習(IGCL)を理論的に提案する。 IGCLは異常前駆体と異常前駆体を区別する。 複雑な異常前駆体の組み合わせによって生じる効率上の問題に対処するため,重要度に基づくスコアを用いたメモリバンクを提案し,より複雑な異常前駆体を生成する。 7つのベンチマークデータセットに対する大規模な実験により、我々の手法は教師なし時系列異常予測問題において最先端のベースラインより優れていることが示された。

関連論文リスト

• Anomaly Prediction: A Novel Approach with Explicit Delay and Horizon [1.8816077341295625]
  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。
  論文  参考訳（メタデータ） (2024-08-08T11:22:52Z)
• Deep learning for predicting the occurrence of tipping points [9.699777597848618]
  本研究では,未学習システムにおけるチップポイントの発生を予測するためのディープラーニングアルゴリズムを開発した。 我々のアルゴリズムは従来の手法より優れているだけでなく、不規則サンプリングされたモデル時系列の正確な予測も達成している。 テーピングポイントを予測する能力は、リスク軽減、破滅的な失敗の防止、システム劣化の回復の道を開く。
  論文  参考訳（メタデータ） (2024-07-26T12:17:57Z)
• 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)
• 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)
• Disruption Precursor Onset Time Study Based on Semi-supervised Anomaly Detection [6.287037295927318]
  本稿では,不均衡な正と負のデータサンプルの欠点を克服する異常検出に基づく破壊予測手法を提案する。 異常検出予測器によって推定される開始時間を用いて前駆的なラベリングを最適化し、教師付き学習破壊予測器上で最適化されたラベルをテストする。
  論文  参考訳（メタデータ） (2023-03-27T07:54:56Z)
• An Extreme-Adaptive Time Series Prediction Model Based on Probability-Enhanced LSTM Neural Networks [6.5700527395783315]
  我々は、極端および正常な予測関数を同時に学習するNEC+と呼ばれる新しい確率強調型ニューラルネットワークモデルを提案する。 本研究では,カリフォルニアの9つの貯水池に適用された3日間の前向き水位予測課題について,提案モデルの評価を行った。
  論文  参考訳（メタデータ） (2022-11-29T03:01:59Z)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• Calibrated One-class Classification for Unsupervised Time Series Anomaly Detection [27.15951068292889]
  本稿では,異常検出のための一級分類を提案する。 データの正規性の汚染耐性、異常なインフォームド学習を実現する。 我々のモデルは16人の最先端の競争者に対して大幅な改善を達成している。
  論文  参考訳（メタデータ） (2022-07-25T13:43:13Z)
• 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)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。