論文の概要: TSINR: Capturing Temporal Continuity via Implicit Neural Representations for Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2411.11641v2
• Date: Wed, 20 Nov 2024 08:04:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-21 12:32:55.292206
• Title: TSINR: Capturing Temporal Continuity via Implicit Neural Representations for Time Series Anomaly Detection
• Title（参考訳）: TSINR:時系列異常検出のためのインシシトニューラルネットワークによる時間連続性のキャプチャ
• Authors: Mengxuan Li, Ke Liu, Hongyang Chen, Jiajun Bu, Hongwei Wang, Haishuai Wang,
• Abstract要約: 時系列異常検出は、データの異常なパターンや、システムの期待する振る舞いからの逸脱を特定することを目的としている。 このタスクでは、教師なし学習を通じてポイントワイド表現を学習するリコンストラクションベースの手法が主流である。 本稿では,暗黙的ニューラル表現(INR)再構成に基づく時系列異常検出手法TSINRを提案する。
• 参考スコア（独自算出の注目度）: 22.367552254229665
• License:
• Abstract: Time series anomaly detection aims to identify unusual patterns in data or deviations from systems' expected behavior. The reconstruction-based methods are the mainstream in this task, which learn point-wise representation via unsupervised learning. However, the unlabeled anomaly points in training data may cause these reconstruction-based methods to learn and reconstruct anomalous data, resulting in the challenge of capturing normal patterns. In this paper, we propose a time series anomaly detection method based on implicit neural representation (INR) reconstruction, named TSINR, to address this challenge. Due to the property of spectral bias, TSINR enables prioritizing low-frequency signals and exhibiting poorer performance on high-frequency abnormal data. Specifically, we adopt INR to parameterize time series data as a continuous function and employ a transformer-based architecture to predict the INR of given data. As a result, the proposed TSINR method achieves the advantage of capturing the temporal continuity and thus is more sensitive to discontinuous anomaly data. In addition, we further design a novel form of INR continuous function to learn inter- and intra-channel information, and leverage a pre-trained large language model to amplify the intense fluctuations in anomalies. Extensive experiments demonstrate that TSINR achieves superior overall performance on both univariate and multivariate time series anomaly detection benchmarks compared to other state-of-the-art reconstruction-based methods. Our codes are available.
• Abstract（参考訳）: 時系列異常検出は、データの異常なパターンや、システムの期待する振る舞いからの逸脱を特定することを目的としている。 このタスクでは,教師なし学習を通じてポイントワイド表現を学習する,再構成に基づく手法が主流である。 しかし、トレーニングデータにおけるラベルのない異常点は、これらの再構成に基づく手法が異常なデータを学習し、再構成する原因となり、通常のパターンを捉えることが困難になる可能性がある。 本稿では,この課題に対処するために,暗黙的ニューラル表現(INR)再構成に基づく時系列異常検出手法TSINRを提案する。 スペクトルバイアスの特性により、TSINRは低周波信号の優先順位付けを可能にし、高周波異常データに対してより低い性能を示す。 具体的には、時系列データを連続関数としてパラメータ化するためにINRを採用し、変換器ベースのアーキテクチャを用いて与えられたデータのINRを予測する。 その結果,TSINR法は時間的連続性を捉える利点があり,不連続な異常データに対してより敏感であることがわかった。 さらに、チャネル間およびチャネル内情報を学習するためのINR連続関数の新たな形式を設計し、事前学習された大規模言語モデルを利用して異常の激しい変動を増幅する。 広汎な実験により、TSINRは、他の最先端再構築手法と比較して、単変量および多変量時系列異常検出ベンチマークにおいて、より優れた総合的な性能を達成できることが示された。 私たちのコードは利用可能です。

関連論文リスト

• 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)
• 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)
• 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)
• DDMT: Denoising Diffusion Mask Transformer Models for Multivariate Time Series Anomaly Detection [0.0]
  本稿では,Adaptive Dynamic Neighbor Mask (ADNM) 機構を導入し,それをTransformer and Denoising Diffusion Modelと統合する。 ADNMモジュールは、データ再構成中に入力と出力の特徴間の情報漏洩を軽減するために導入された。 Denoising Diffusion Transformer (DDT)は、Denoising Diffusion Modelのための内部ニューラルネットワーク構造としてTransformerを使用している。
  論文  参考訳（メタデータ） (2023-10-13T01:18:41Z)
• 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)
• Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
  ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。 本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:48:02Z)
• Reconstruct Anomaly to Normal: Adversarial Learned and Latent Vector-constrained Autoencoder for Time-series Anomaly Detection [3.727524403726822]
  時系列における異常検出は広く研究され、重要な実用的応用がなされている。 近年、異常検出アルゴリズムは、主にディープラーニング生成モデルに基づいており、再構成誤差を用いて異常を検出する。 本稿では,正規化に対する再構成異常の考え方に基づくRANを提案し,それを教師なし時系列異常検出に適用する。
  論文  参考訳（メタデータ） (2020-10-14T07:10:55Z)
• 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。