論文の概要: Time Series Foundational Models: Their Role in Anomaly Detection and Prediction

• arxiv url: http://arxiv.org/abs/2412.19286v1
• Date: Thu, 26 Dec 2024 17:15:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-30 17:28:34.987758
• Title: Time Series Foundational Models: Their Role in Anomaly Detection and Prediction
• Title（参考訳）: 時系列基礎モデル:異常検出と予測におけるその役割
• Authors: Chathurangi Shyalika, Harleen Kaur Bagga, Ahan Bhatt, Renjith Prasad, Alaa Al Ghazo, Amit Sheth,
• Abstract要約: 時系列基礎モデル (TSFM) は時系列予測において注目されている。 本稿では,異常検出および予測タスクにおけるTSFMの有効性を批判的に評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Time series foundational models (TSFM) have gained prominence in time series forecasting, promising state-of-the-art performance across various applications. However, their application in anomaly detection and prediction remains underexplored, with growing concerns regarding their black-box nature, lack of interpretability and applicability. This paper critically evaluates the efficacy of TSFM in anomaly detection and prediction tasks. We systematically analyze TSFM across multiple datasets, including those characterized by the absence of discernible patterns, trends and seasonality. Our analysis shows that while TSFMs can be extended for anomaly detection and prediction, traditional statistical and deep learning models often match or outperform TSFM in these tasks. Additionally, TSFMs require high computational resources but fail to capture sequential dependencies effectively or improve performance in few-shot or zero-shot scenarios. \noindent The preprocessed datasets, codes to reproduce the results and supplementary materials are available at https://github.com/smtmnfg/TSFM.
• Abstract（参考訳）: 時系列基礎モデル (TSFM) は時系列予測において注目され、様々なアプリケーションにおいて最先端の性能を約束している。 しかしながら、それらの異常検出と予測への応用は、ブラックボックスの性質、解釈可能性の欠如、適用可能性の欠如といった懸念が高まりつつも、未調査のままである。 本稿では,異常検出および予測タスクにおけるTSFMの有効性を批判的に評価する。 複数のデータセットにまたがるTSFMを系統的に解析し,その特徴として,識別可能なパターンや傾向,季節性の欠如などがあげられる。 我々の分析では、TSFMは異常検出と予測のために拡張できるが、従来の統計的および深層学習モデルはこれらのタスクにおいてTSFMと一致するか、より優れていることが示されている。 さらに、TSFMは高い計算資源を必要とするが、シーケンシャルな依存関係を効果的に捉えたり、ショット数やゼロショットのシナリオで性能を向上させることができない。 事前処理されたデータセット、結果を再現するコード、補足資料はhttps://github.com/smtmnfg/TSFMで入手できる。

関連論文リスト

• Rating Multi-Modal Time-Series Forecasting Models (MM-TSFM) for Robustness Through a Causal Lens [10.103561529332184]
  ノイズや不正なデータによる不正確さが誤った予測につながるような,マルチモーダルな時系列予測に重点を置いている。 本稿では,マルチモーダル時系列予測モデルのロバスト性を評価するための評価手法を提案する。
  論文  参考訳（メタデータ） (2024-06-12T17:39:16Z)
• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• SEMF: Supervised Expectation-Maximization Framework for Predicting Intervals [0.8192907805418583]
  Supervised expectation-Maximization Framework (SEMF)は、完全なデータまたは欠落したデータセットの予測間隔を生成するための汎用的でモデルに依存しないアプローチである。 SEMFは、従来教師なし学習で用いられてきた期待最大化アルゴリズムを教師付き文脈に拡張し、不確実性推定に潜在変数モデリングを利用する。
  論文  参考訳（メタデータ） (2024-05-28T13:43:34Z)
• 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)
• MPR-Net:Multi-Scale Pattern Reproduction Guided Universality Time Series Interpretable Forecasting [13.790498420659636]
  時系列予測は、その広範な応用が本質的に困難なため、既存の研究から幅広い関心を集めている。 本稿では,まず,畳み込み操作を用いてマルチスケールの時系列パターンを適応的に分解し,パターン再現の既知に基づいてパターン拡張予測手法を構築し,最終的に畳み込み操作を用いて将来的なパターンを再構築する。 時系列に存在する時間的依存関係を活用することで、MPR-Netは線形時間複雑性を達成するだけでなく、予測プロセスも解釈できる。
  論文  参考訳（メタデータ） (2023-07-13T13:16:01Z)
• MTS-Mixers: Multivariate Time Series Forecasting via Factorized Temporal and Channel Mixing [18.058617044421293]
  本稿では,時系列予測の性能に対する注意機構の寄与と欠陥について検討する。 MTS-Mixersを提案する。これは2つの分解されたモジュールを用いて時間的およびチャネル的依存関係をキャプチャする。 いくつかの実世界のデータセットによる実験結果から、MTS-Mixersは既存のTransformerベースのモデルよりも高い効率で性能を発揮することが示された。
  論文  参考訳（メタデータ） (2023-02-09T08:52:49Z)
• DiffSTG: Probabilistic Spatio-Temporal Graph Forecasting with Denoising Diffusion Models [53.67562579184457]
  本稿では,不確実性や複雑な依存関係のモデル化が困難であることから,確率的STG予測に焦点をあてる。 本稿では,一般的な拡散モデルをSTGに一般化する最初の試みとして,DiffSTGと呼ばれる新しい非自己回帰フレームワークを提案する。 提案手法は,本質的時間学習能力STNNと拡散モデルの不確実性測定を組み合わせたものである。
  論文  参考訳（メタデータ） (2023-01-31T13:42:36Z)
• Spatio-temporal predictive tasks for abnormal event detection in videos [60.02503434201552]
  オブジェクトレベルの正規化パターンを学習するための制約付きプレテキストタスクを提案する。 我々のアプローチは、ダウンスケールの視覚的クエリとそれに対応する正常な外観と運動特性のマッピングを学習することである。 いくつかのベンチマークデータセットの実験では、異常の局所化と追跡のためのアプローチの有効性が示されている。
  論文  参考訳（メタデータ） (2022-10-27T19:45:12Z)
• Model-Attentive Ensemble Learning for Sequence Modeling [86.4785354333566]
  シーケンスモデリング(MAES)のためのモデル・アテンティブ・アンサンブル・ラーニングを提案する。 MAESは、異なるシーケンスダイナミクスの専門家を専門とし、予測を適応的に重み付けるために、注目ベースのゲーティングメカニズムを利用する時系列の専門家の混合物です。 MAESが時系列シフトを受けるデータセットの人気シーケンスモデルを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2021-02-23T05:23:35Z)
• Analysis of Empirical Mode Decomposition-based Load and Renewable Time Series Forecasting [1.1602089225841632]
  歴史的負荷と再生可能発生に関連する時系列(TS)は、固有のモード機能(IMF)に分解される この方法は、モーダルエイリアスや境界効果問題など、いくつかの問題を引き起こす傾向がある。 これらの問題を過小評価すると、リアルタイムアプリケーションにおける予測モデルの性能が低下する可能性がある。
  論文  参考訳（メタデータ） (2020-11-23T14:08:39Z)
• A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
  イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。 基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T23:10:50Z)

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。