論文の概要: Hypergraph-based multi-scale spatio-temporal graph convolution network for Time-Series anomaly detection

• arxiv url: http://arxiv.org/abs/2410.22256v1
• Date: Tue, 29 Oct 2024 17:19:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-30 13:39:48.316120
• Title: Hypergraph-based multi-scale spatio-temporal graph convolution network for Time-Series anomaly detection
• Title（参考訳）: 時系列異常検出のためのハイパーグラフに基づくマルチスケール時空間グラフ畳み込みネットワーク
• Authors: Hongyi Xu,
• Abstract要約: 多次元時系列異常検出技術は、航空宇宙、水処理、クラウドサービスプロバイダなど、多くの分野において重要な役割を果たす。 高次元および複雑なデータセットにおいて、効果的かつ正確な異常検出を行うことがますます困難になっている。 本稿では,複数変数間の高次マルチホップ相関を明示的に捉えるハイパーグラフに基づく時間グラフ畳み込みネットワークモデルSTGCN_Hyperを提案する。 我々のモデルはデータ中のマルチスケール時系列の特徴と特徴間の依存関係を柔軟に学習し、異常検出の精度、リコール、F1スコアで既存のベースラインモデルよりも優れている。
• 参考スコア（独自算出の注目度）: 8.878898677348086
• License:
• Abstract: Multivariate time series anomaly detection technology plays an important role in many fields including aerospace, water treatment, cloud service providers, etc. Excellent anomaly detection models can greatly improve work efficiency and avoid major economic losses. However, with the development of technology, the increasing size and complexity of data, and the lack of labels for relevant abnormal data, it is becoming increasingly challenging to perform effective and accurate anomaly detection in high-dimensional and complex data sets. In this paper, we propose a hypergraph based spatiotemporal graph convolutional neural network model STGCN_Hyper, which explicitly captures high-order, multi-hop correlations between multiple variables through a hypergraph based dynamic graph structure learning module. On this basis, we further use the hypergraph based spatiotemporal graph convolutional network to utilize the learned hypergraph structure to effectively propagate and aggregate one-hop and multi-hop related node information in the convolutional network, thereby obtaining rich spatial information. Furthermore, through the multi-scale TCN dilated convolution module, the STGCN_hyper model can also capture the dependencies of features at different scales in the temporal dimension. An unsupervised anomaly detector based on PCA and GMM is also integrated into the STGCN_hyper model. Through the anomaly score of the detector, the model can detect the anomalies in an unsupervised way. Experimental results on multiple time series datasets show that our model can flexibly learn the multi-scale time series features in the data and the dependencies between features, and outperforms most existing baseline models in terms of precision, recall, F1-score on anomaly detection tasks. Our code is available on: https://git.ecdf.ed.ac.uk/msc-23-24/s2044819
• Abstract（参考訳）: 多変量時系列異常検出技術は、航空宇宙、水処理、クラウドサービスプロバイダなど、多くの分野において重要な役割を果たす。 優れた異常検出モデルは、作業効率を大幅に改善し、大きな経済的損失を避けることができる。 しかし、技術の発展、データのサイズと複雑さの増大、関連する異常データに対するラベルの欠如などにより、高次元および複雑なデータセットにおいて効果的かつ正確な異常検出を行うことがますます困難になっている。 本稿ではハイパーグラフに基づく時空間グラフ畳み込みニューラルネットワークモデルSTGCN_Hyperを提案する。 そこで本研究では,ハイパーグラフに基づく時空間グラフ畳み込みネットワークを用いて,学習したハイパーグラフ構造を用いて,畳み込みネットワーク内のワンホップおよびマルチホップ関連ノード情報を効果的に伝播・集約し,豊かな空間情報を得る。 さらに、マルチスケールのTCN拡張畳み込みモジュールにより、STGCN_hyperモデルは時間次元の異なるスケールの機能の依存関係をキャプチャすることができる。 また、PCAおよびGMMに基づく教師なし異常検出器をSTGCN_hyperモデルに統合する。 検出器の異常スコアによって、モデルは教師なしの方法で異常を検出することができる。 複数の時系列データセットを用いた実験結果から,データ中のマルチスケール時系列の特徴と特徴間の依存関係を柔軟に学習し,異常検出タスクの精度,リコール,F1スコアなど,既存のベースラインモデルよりも優れていることがわかった。 私たちのコードは、https://git.ecdf.ed.ac.uk/msc-23-24/s2044819で利用可能です。

関連論文リスト

• Multivariate Time-Series Anomaly Detection based on Enhancing Graph Attention Networks with Topological Analysis [31.43159668073136]
  時系列における教師なし異常検出は、手動による介入の必要性を大幅に低減するため、産業応用において不可欠である。 従来の手法では、グラフニューラルネットワーク(GNN)やトランスフォーマーを使用して空間を解析し、RNNは時間的依存をモデル化していた。 本稿では,TopoGDNと呼ばれる多変量時系列異常検出のための拡張グラフ注意ネットワーク(GAT)上に構築された新しい時間モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-23T14:06:30Z)
• 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)
• Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
  我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。 HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。 局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
  論文  参考訳（メタデータ） (2023-12-18T17:50:52Z)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• 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)
• HIFI: Anomaly Detection for Multivariate Time Series with High-order Feature Interactions [7.016615391171876]
  HIFIは自動的に多変量特徴相互作用グラフを構築し、グラフ畳み込みニューラルネットワークを使用して高次特徴相互作用を実現する。 3つの公開データセットの実験は、最先端のアプローチと比較して、我々のフレームワークの優位性を示している。
  論文  参考訳（メタデータ） (2021-06-11T04:57:03Z)
• Learning Graph Structures with Transformer for Multivariate Time Series Anomaly Detection in IoT [11.480824844205864]
  本研究は,グラフ構造とグラフ畳み込みを自動的に学習することにより,多変量時系列異常検出のための新しいフレームワークGTAを提案する。 また,グラフノード間の異常情報フローをモデル化するために,影響伝播畳み込みという新しいグラフ畳み込みを考案した。 4つの公開異常検出ベンチマークの実験は、我々のアプローチが他の最先端技術よりも優れていることをさらに証明している。
  論文  参考訳（メタデータ） (2021-04-08T01:45:28Z)
• An Introduction to Robust Graph Convolutional Networks [71.68610791161355]
  本論文では, 誤りのある単一ビューあるいは複数ビューのデータに対して, 新たなロバストグラフ畳み込みニューラルネットワークを提案する。 従来のグラフ畳み込みネットワークにAutoencodersを介して余分なレイヤを組み込むことで、典型的なエラーモデルを明示的に特徴付けおよび処理します。
  論文  参考訳（メタデータ） (2021-03-27T04:47:59Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• 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。