論文の概要: Dive into Time-Series Anomaly Detection: A Decade Review
- arxiv url: http://arxiv.org/abs/2412.20512v1
- Date: Sun, 29 Dec 2024 16:11:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-31 16:01:57.605582
- Title: Dive into Time-Series Anomaly Detection: A Decade Review
- Title（参考訳）: 時系列異常検出の10年を振り返って
- Authors: Paul Boniol, Qinghua Liu, Mingyi Huang, Themis Palpanas, John Paparrizos,
- Abstract要約: 時系列異常検出は重要な活動であり、サイバーセキュリティ、金融市場、法執行機関、医療など様々な分野で応用されている。
この調査は、時系列の文脈においてプロセス中心の分類の下で既存のソリューションを異常に検出し、要約する。
異常検出手法の独自の分類に加えて,文献のメタアナリシスを行い,時系列異常検出研究における一般的な傾向を概説する。
- 参考スコア（独自算出の注目度）: 19.883791946730494
- License:
- Abstract: Recent advances in data collection technology, accompanied by the ever-rising volume and velocity of streaming data, underscore the vital need for time series analytics. In this regard, time-series anomaly detection has been an important activity, entailing various applications in fields such as cyber security, financial markets, law enforcement, and health care. While traditional literature on anomaly detection is centered on statistical measures, the increasing number of machine learning algorithms in recent years call for a structured, general characterization of the research methods for time-series anomaly detection. This survey groups and summarizes anomaly detection existing solutions under a process-centric taxonomy in the time series context. In addition to giving an original categorization of anomaly detection methods, we also perform a meta-analysis of the literature and outline general trends in time-series anomaly detection research.
- Abstract（参考訳）: データ収集技術の最近の進歩は、ストリーミングデータの音量と速度の増大と共に、時系列分析の重要な必要性を浮き彫りにしている。
この点において、サイバーセキュリティ、金融市場、法執行機関、医療などの分野における様々な応用を必要とする時系列異常検出は重要な活動である。
従来の異常検出に関する文献は統計測度を中心にしているが、近年の機械学習アルゴリズムの増加により、時系列異常検出の研究手法の一般的な特徴付けが求められている。
この調査は、時系列の文脈においてプロセス中心の分類の下で既存のソリューションを異常に検出し、要約する。
異常検出手法の独自の分類に加えて,文献のメタアナリシスを行い,時系列異常検出研究における一般的な傾向を概説する。
関連論文リスト
- Anomaly Prediction: A Novel Approach with Explicit Delay and Horizon [1.8816077341295625]
本稿では,時系列異常予測に時間的情報を直接組み込んだ新しい手法を提案する。
本研究は, 時間的, 正確な異常予測を行う上で, 提案手法の有効性を実証し, 今後の研究のための新しいベンチマークを設定した。
論文 参考訳（メタデータ） (2024-08-08T11:22:52Z) - A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。
このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。
我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文 参考訳（メタデータ） (2024-06-05T13:40:07Z) - 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) - Precursor-of-Anomaly Detection for Irregular Time Series [31.73234935455713]
本稿では,新しいタイプの異常検出法であるPrecursor-of-Anomaly(PoA)について述べる。
両問題を同時に解くために,ニューラルネットワークとマルチタスク学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-06-27T14:10:09Z) - Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。
時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。
本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
論文 参考訳（メタデータ） (2022-11-09T22:40:22Z) - A Comparative Study on Unsupervised Anomaly Detection for Time Series:
Experiments and Analysis [28.79393419730138]
時系列異常検出は、信頼性と安全性を実現するためにしばしば不可欠である。
近年,時系列データの異常検出が盛んに行われている。
データ、メソッド、評価戦略について紹介する。
我々は,最先端技術とディープラーニング技術とを体系的に評価し,比較した。
論文 参考訳（メタデータ） (2022-09-10T10:44:25Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-30T06:00:13Z) - 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) - 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) - Anomaly Detection in Univariate Time-series: A Survey on the
State-of-the-Art [0.0]
時系列データの異常検出は、長い間重要な研究分野であった。
近年,時系列の異常を検出する機械学習アルゴリズムが増えている。
研究者たちは、(ディープ)ニューラルネットワークを使ってこれらの技術を改善しようとした。
論文 参考訳（メタデータ） (2020-04-01T13:22:34Z)
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。