論文の概要: A New Perspective on Time Series Anomaly Detection: Faster Patch-based Broad Learning System

• arxiv url: http://arxiv.org/abs/2412.05498v1
• Date: Sat, 07 Dec 2024 01:58:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-10 14:57:23.913702
• Title: A New Perspective on Time Series Anomaly Detection: Faster Patch-based Broad Learning System
• Title（参考訳）: 時系列異常検出の新しい視点:より高速なパッチベースブロードラーニングシステム
• Authors: Pengyu Li, Zhijie Zhong, Tong Zhang, Zhiwen Yu, C. L. Philip Chen, Kaixiang Yang,
• Abstract要約: 時系列異常検出(TSAD)は近年,学術と産業の両方においてホットスポットとなっている。 TSADでは、ディープラーニングの速度が遅いなどの制限のため、ディープラーニングは必須ではない。 コントラスト型パッチベースブロードラーニングシステム(CBLS)を提案する。
• 参考スコア（独自算出の注目度）: 59.38402187365612
• License:
• Abstract: Time series anomaly detection (TSAD) has been a research hotspot in both academia and industry in recent years. Deep learning methods have become the mainstream research direction due to their excellent performance. However, new viewpoints have emerged in recent TSAD research. Deep learning is not required for TSAD due to limitations such as slow deep learning speed. The Broad Learning System (BLS) is a shallow network framework that benefits from its ease of optimization and speed. It has been shown to outperform machine learning approaches while remaining competitive with deep learning. Based on the current situation of TSAD, we propose the Contrastive Patch-based Broad Learning System (CPatchBLS). This is a new exploration of patching technique and BLS, providing a new perspective for TSAD. We construct Dual-PatchBLS as a base through patching and Simple Kernel Perturbation (SKP) and utilize contrastive learning to capture the differences between normal and abnormal data under different representations. To compensate for the temporal semantic loss caused by various patching, we propose CPatchBLS with model level integration, which takes advantage of BLS's fast feature to build model-level integration and improve model detection. Using five real-world series anomaly detection datasets, we confirmed the method's efficacy, outperforming previous deep learning and machine learning methods while retaining a high level of computing efficiency.
• Abstract（参考訳）: 時系列異常検出(TSAD)は近年,学術と産業の両方においてホットスポットとなっている。 ディープ・ラーニング・メソッドは優れた性能で研究の主流となっている。 しかし、最近のTSAD研究に新たな視点が浮かび上がっている。 TSADでは、ディープラーニングの速度が遅いなどの制限のため、ディープラーニングは必須ではない。 Broad Learning System(BLS)は、最適化とスピードの容易さの恩恵を受ける、浅いネットワークフレームワークである。 ディープラーニングと競合しながらも、機械学習アプローチよりも優れていることが示されている。 TSADの現在の状況に基づいて、コントラスト型パッチベースブロードラーニングシステム(CPatchBLS)を提案する。 これはパッチ技術とBLSの新しい探索であり、TSADの新しい視点を提供する。 我々は,Dual-PatchBLSをパッチとSimple Kernel Perturbation (SKP) によるベースとして構築し,コントラスト学習を利用して,正規データと異常データの違いを異なる表現で捉える。 各種パッチによる時間的意味喪失を補うために,BLSの高速機能を利用してモデルレベルの統合を構築し,モデル検出を改善するCPatchBLSを提案する。 5つの実世界の時系列異常検出データセットを用いて,本手法の有効性を確認し,高い計算効率を維持しつつ,従来のディープラーニングおよび機械学習手法よりも優れた性能を示した。

関連論文リスト

• A Bayesian Approach to Data Point Selection [24.98069363998565]
  データポイントの選択(DPS)は、ディープラーニングにおいて重要なトピックになりつつある。 既存のDPSへのアプローチは、主にバイレベル最適化(BLO)の定式化に基づいている。 DPSに対する新しいベイズ的アプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-06T09:04:13Z)
• An efficient framework based on large foundation model for cervical cytopathology whole slide image screening [13.744580492120749]
  本稿では,教師なし・弱教師付き学習によるWSIレベルラベルのみを用いた頚部細胞病理学WSI分類のための効率的なフレームワークを提案する。 CSDおよびFNAC 2019データセットで実施された実験は、提案手法が様々なMIL手法の性能を高め、最先端(SOTA)性能を達成することを示した。
  論文  参考訳（メタデータ） (2024-07-16T08:21:54Z)
• Beyond Prompt Learning: Continual Adapter for Efficient Rehearsal-Free Continual Learning [22.13331870720021]
  C-ADA (Continuous Adapter) という,RFCL タスクに対する超高速学習手法を提案する。 C-ADAは、CALの特定の重みを柔軟に拡張し、各タスクの新たな知識を学び、古い重みを凍結して以前の知識を保存する。 提案手法は,現状のSOTA(State-of-the-art)法よりも優れ,性能とトレーニング速度を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-07-14T17:40:40Z)
• PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
  本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。 一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。 一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
  論文  参考訳（メタデータ） (2023-09-13T17:55:11Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• The Cascaded Forward Algorithm for Neural Network Training [61.06444586991505]
  本稿では,ニューラルネットワークのための新しい学習フレームワークであるCascaded Forward(CaFo)アルゴリズムを提案する。 FFとは異なり、我々のフレームワークは各カスケードブロックのラベル分布を直接出力する。 我々のフレームワークでは、各ブロックは独立して訓練できるので、並列加速度システムに容易に展開できる。
  論文  参考訳（メタデータ） (2023-03-17T02:01:11Z)
• A Broad Ensemble Learning System for Drifting Stream Classification [3.087840197124265]
  本研究では,概念ドリフトを用いたストリーム分類のためのBroad Ensemble Learning System (BELS)を提案する。 BELSは、クラス内の最高のモデルの精度を大幅に向上させる新しい更新方法を使用している。 提案手法は,BLSに比べて平均44%改善し,他の競争基準に比べて29%改善した。
  論文  参考訳（メタデータ） (2021-10-07T15:01:33Z)
• Domain Adaptation Broad Learning System Based on Locally Linear Embedding [3.274290296343038]
  提案アルゴリズムは,対象領域からのラベル付きデータのごく一部とソース領域からのラベル付きデータのすべてを用いて,ロバストな分類モデルを学習することができる。 その結果,既存の移動学習手法よりも実行時間が少なく,分類精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2021-06-28T01:55:57Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
  2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。 まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。 第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
  論文  参考訳（メタデータ） (2021-01-20T11:48:12Z)

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。