論文の概要: F-SE-LSTM: A Time Series Anomaly Detection Method with Frequency Domain Information
- arxiv url: http://arxiv.org/abs/2412.02474v1
- Date: Tue, 03 Dec 2024 14:36:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:46:16.835943
- Title: F-SE-LSTM: A Time Series Anomaly Detection Method with Frequency Domain Information
- Title(参考訳): F-SE-LSTM:周波数領域情報を用いた時系列異常検出法
- Authors: Yi-Xiang Lu, Xiao-Bo Jin, Jian Chen, Dong-Jie Liu, Guang-Gang Geng,
- Abstract要約: F-SE-LSTMと呼ばれる新しい時系列異常検出法を提案する。
この方法は、2つのスライディングウィンドウと高速フーリエ変換(FFT)を用いて周波数行列を構成する。
F-SE-LSTMは、通常の時間領域や周波数領域のデータよりも識別能力が高いことを示す。
- 参考スコア(独自算出の注目度): 10.113418621891281
- License:
- Abstract: With the development of society, time series anomaly detection plays an important role in network and IoT services. However, most existing anomaly detection methods directly analyze time series in the time domain and cannot distinguish some relatively hidden anomaly sequences. We attempt to analyze the impact of frequency on time series from a frequency domain perspective, thus proposing a new time series anomaly detection method called F-SE-LSTM. This method utilizes two sliding windows and fast Fourier transform (FFT) to construct a frequency matrix. Simultaneously, Squeeze-and-Excitation Networks (SENet) and Long Short-Term Memory (LSTM) are employed to extract frequency-related features within and between periods. Through comparative experiments on multiple datasets such as Yahoo Webscope S5 and Numenta Anomaly Benchmark, the results demonstrate that the frequency matrix constructed by F-SE-LSTM exhibits better discriminative ability than ordinary time domain and frequency domain data. Furthermore, F-SE-LSTM outperforms existing state-of-the-art deep learning anomaly detection methods in terms of anomaly detection capability and execution efficiency.
- Abstract(参考訳): 社会の発展に伴い、時系列異常検出はネットワークとIoTサービスにおいて重要な役割を果たす。
しかし、既存のほとんどの異常検出手法は時間領域の時系列を直接解析し、比較的隠れた異常シーケンスを区別することができない。
本研究では、周波数領域の観点から周波数が時系列に与える影響を分析し、F-SE-LSTMと呼ばれる新しい時系列異常検出手法を提案する。
この方法は、2つのスライディングウィンドウと高速フーリエ変換(FFT)を用いて周波数行列を構成する。
同時に、Squeeze-and-Excitation Networks (SENet) とLong Short-Term Memory (LSTM) を用いて、周期内および周期間の周波数関連特徴を抽出する。
Yahoo Webscope S5やNumenta Anomaly Benchmarkのような複数のデータセットの比較実験により、F-SE-LSTMで構築した周波数行列は、通常の時間領域や周波数領域のデータよりも識別能力が高いことを示した。
さらに、F-SE-LSTMは、異常検出能力と実行効率の観点から、既存の最先端のディープラーニング異常検出方法より優れている。
関連論文リスト
- Time Series Anomaly Detection in the Frequency Domain with Statistical Reliability [11.988832749427077]
本稿では,周波数領域への選択推論(SI)に基づく統計的に重要な異常検出の最近の進歩について述べる。
提案手法は周波数領域における検出されたCPの統計的意義を$p$-valuesを用いて定量化する。
実験により,提案手法は高い統計的保証を有する真のCPを確実に同定することを示した。
論文 参考訳(メタデータ) (2025-02-05T10:48:12Z) - CATCH: Channel-Aware multivariate Time Series Anomaly Detection via Frequency Patching [24.927390742543707]
周波数パッチに基づくフレームワークであるCATCHを紹介する。
本稿では,パッチワイドマスクジェネレータとマスクアテンション機構を備えたChannel Fusion Module (CFM)を提案する。
10の現実世界のデータセットと12の合成データセットの実験は、CATCHが最先端のパフォーマンスを達成することを示す。
論文 参考訳(メタデータ) (2024-10-16T05:58:55Z) - Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。
本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。
我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文 参考訳(メタデータ) (2024-07-19T13:33:38Z) - Omni-Dimensional Frequency Learner for General Time Series Analysis [12.473862872616998]
スペクトル特徴の3つの側面の奥行き解析に基づいて,Omni-dimensional Frequency Learner (ODFL) モデルを提案する。
本手法は,非定常周波数帯域に着目した意味適応型大域的フィルタとチャネル次元間の部分演算からなる。
ODFLは、短期および長期予測、計算、分類、異常検出を含む5つの主流時系列分析タスクにおいて、一貫した最先端を達成している。
論文 参考訳(メタデータ) (2024-07-15T03:48:16Z) - Frequency-Aware Deepfake Detection: Improving Generalizability through
Frequency Space Learning [81.98675881423131]
この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。
既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。
本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
論文 参考訳(メタデータ) (2024-03-12T01:28:00Z) - Frequency-domain MLPs are More Effective Learners in Time Series
Forecasting [67.60443290781988]
時系列予測は、金融、交通、エネルギー、医療など、さまざまな産業領域において重要な役割を果たしてきた。
最多ベースの予測手法は、ポイントワイドマッピングと情報のボトルネックに悩まされる。
本稿では、時系列予測のための周波数領域上に構築された、シンプルで効果的なアーキテクチャであるFreTSを提案する。
論文 参考訳(メタデータ) (2023-11-10T17:05:13Z) - ALGAN: Time Series Anomaly Detection with Adjusted-LSTM GAN [0.9065034043031667]
時系列データの異常検出は、製造、医療画像、サイバーセキュリティといった様々な領域で一般的な問題である。
近年,GAN(Generative Adversarial Networks)は時系列データの異常検出に有効であることが示されている。
本稿では,ALGAN(Adjusted-LSTM GAN)と呼ばれる新しいGANモデルを提案する。
論文 参考訳(メタデータ) (2023-08-13T02:17:19Z) - Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。
この研究は、単一変換による周波数領域学習のための青写真を導入している。
論文 参考訳(メタデータ) (2022-11-26T01:56:05Z) - TFAD: A Decomposition Time Series Anomaly Detection Architecture with
Time-Frequency Analysis [12.867257563413972]
時系列異常検出は、複雑な時間的依存と限られたラベルデータのために難しい問題である。
本稿では,時間領域と周波数領域の両方を利用した時間周波数解析に基づく時系列異常検出モデル(TFAD)を提案する。
論文 参考訳(メタデータ) (2022-10-18T09:08:57Z) - Adaptive Frequency Learning in Two-branch Face Forgery Detection [66.91715092251258]
本稿では、AFDと呼ばれる2分岐検出フレームワークにおいて、周波数情報を適応的に学習する手法を提案する。
我々は、固定周波数変換からネットワークを解放し、データおよびタスク依存の変換層でより良いパフォーマンスを達成する。
論文 参考訳(メタデータ) (2022-03-27T14:25:52Z) - F-FADE: Frequency Factorization for Anomaly Detection in Edge Streams [53.70940420595329]
エッジストリームにおける異常検出のための新しいアプローチであるF-FADEを提案する。
ノード対間の相互作用の周波数の時間進化分布を効率的にモデル化するために、新しい周波数分解技術を用いる。
F-FADEは、一定メモリしか必要とせず、時間的および構造的な変化を伴う幅広い種類の異常をオンラインストリーミング環境で処理できる。
論文 参考訳(メタデータ) (2020-11-09T19:55:40Z)
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。