論文の概要: An Unsupervised Anomaly Detection in Electricity Consumption Using Reinforcement Learning and Time Series Forest Based Framework

• arxiv url: http://arxiv.org/abs/2501.00107v1
• Date: Mon, 30 Dec 2024 19:04:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 17:16:17.752119
• Title: An Unsupervised Anomaly Detection in Electricity Consumption Using Reinforcement Learning and Time Series Forest Based Framework
• Title（参考訳）: 強化学習と時系列フォレストを用いた電力消費の教師なし異常検出
• Authors: Jihan Ghanim, Mariette Awad,
• Abstract要約: 異常検出は、主に実世界のシナリオにまたがって時系列データが使用されるため、時系列アプリケーションにおいて重要な役割を果たす。 従来の研究では様々なADモデルが検討されており、特定の異常に対して異なる感度で特定の仮定が作成されている。 時系列フォレスト(TSF)と強化学習(RL)を組み合わせた教師なしADのための新しいモデル選択を提案する。
• 参考スコア（独自算出の注目度）: 1.0036727981085223
• License:
• Abstract: Anomaly detection (AD) plays a crucial role in time series applications, primarily because time series data is employed across real-world scenarios. Detecting anomalies poses significant challenges since anomalies take diverse forms making them hard to pinpoint accurately. Previous research has explored different AD models, making specific assumptions with varying sensitivity toward particular anomaly types. To address this issue, we propose a novel model selection for unsupervised AD using a combination of time series forest (TSF) and reinforcement learning (RL) approaches that dynamically chooses an AD technique. Our approach allows for effective AD without explicitly depending on ground truth labels that are often scarce and expensive to obtain. Results from the real-time series dataset demonstrate that the proposed model selection approach outperforms all other AD models in terms of the F1 score metric. For the synthetic dataset, our proposed model surpasses all other AD models except for KNN, with an impressive F1 score of 0.989. The proposed model selection framework also exceeded the performance of GPT-4 when prompted to act as an anomaly detector on the synthetic dataset. Exploring different reward functions revealed that the original reward function in our proposed AD model selection approach yielded the best overall scores. We evaluated the performance of the six AD models on an additional three datasets, having global, local, and clustered anomalies respectively, showing that each AD model exhibited distinct performance depending on the type of anomalies. This emphasizes the significance of our proposed AD model selection framework, maintaining high performance across all datasets, and showcasing superior performance across different anomaly types.
• Abstract（参考訳）: 時系列検出(AD)は、主に実世界のシナリオにまたがって時系列データが使用されるため、時系列アプリケーションにおいて重要な役割を果たす。 異常を検出することは、異常が多種多様であり、正確に特定することが困難であるため、重大な課題となる。 これまでの研究では、様々なADモデルが検討されており、特定の異常タイプに対して異なる感度で特定の仮定が作成されている。 そこで本研究では,時系列フォレスト (TSF) と強化学習 (RL) を組み合わせた非教師付きADのモデル選択手法を提案する。 提案手法は, 多くの場合, 入手し難く, コストのかかる, 真理ラベルに明示的に依存することなく, 効果的なADを可能にする。 実時間時系列データセットの結果から,提案したモデル選択手法がF1スコアの指標で他のすべてのADモデルより優れていることが示された。 合成データセットでは,提案モデルがKNN以外のすべてのADモデルを上回っ,F1スコアが0.989である。 提案したモデル選択フレームワークは、合成データセット上の異常検出として機能するよう促されたとき、GPT-4の性能を上回った。 異なる報酬関数を探索した結果,提案したADモデル選択手法の本来の報酬関数は,最高のスコアを得た。 その結果,6つのADモデルがそれぞれグローバル,ローカル,クラスタ化された異常を持つ追加の3つのデータセットに対して,各ADモデルが異常の種類によって異なる性能を示した。 これは、提案したADモデル選択フレームワークの重要性を強調し、すべてのデータセットにまたがるハイパフォーマンスを維持し、異なる異常タイプにまたがる優れたパフォーマンスを示す。

関連論文リスト

• MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
  テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。 本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
  論文  参考訳（メタデータ） (2024-10-12T07:02:33Z)
• Towards a General Time Series Anomaly Detector with Adaptive Bottlenecks and Dual Adversarial Decoders [16.31103717602631]
  時系列異常検出は幅広い応用において重要な役割を果たす。 既存のメソッドでは、データセットごとに1つの特定のモデルをトレーニングする必要があります。 本稿では,広範囲なマルチドメインデータセット上で事前学習した時系列異常検出モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-24T06:59:43Z)
• TSA on AutoPilot: Self-tuning Self-supervised Time Series Anomaly Detection [32.746688248671084]
  時系列異常検出(TSAD)は、環境センサ、産業タイプ、患者バイオマーカーなど、多くの応用を見出す。 TSADの2倍の課題は、様々な種類の時系列異常を検出できる汎用的で教師なしのモデルである。 TSAP for TSA "on autoPilot"を導入します。
  論文  参考訳（メタデータ） (2024-04-03T16:57:26Z)
• COFT-AD: COntrastive Fine-Tuning for Few-Shot Anomaly Detection [19.946344683965425]
  FSADの課題に対処する新しい手法を提案する。 重みをモデル化するために、大規模なソースデータセットで事前トレーニングされたモデルを使用します。 提案手法の有効性を示すために,3つの制御されたADタスクと4つの実世界のADタスクに対して,数発の異常検出を行った。
  論文  参考訳（メタデータ） (2024-02-29T09:48:19Z)
• Time Series Anomaly Detection via Reinforcement Learning-Based Model Selection [3.1692938090731584]
  時系列異常検出は、実世界のシステムの信頼性と効率的な運用において重要である。 本研究では、異常検出モデルのプールがアクセス可能であると仮定し、強化学習を利用して候補モデルを動的に選択することを提案する。 提案手法は,全体の性能において,すべてのベースラインモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-19T22:10:35Z)
• Data-Efficient and Interpretable Tabular Anomaly Detection [54.15249463477813]
  本稿では,ホワイトボックスモデルクラスである一般化付加モデルを適用し,異常を検出する新しいフレームワークを提案する。 さらに、提案フレームワークであるDIADは、ラベル付きデータの少量を組み込んで、半教師付き設定における異常検出性能をさらに向上させることができる。
  論文  参考訳（メタデータ） (2022-03-03T22:02:56Z)
• Event Data Association via Robust Model Fitting for Event-based Object Tracking [66.05728523166755]
  本稿では,イベントアソシエーションと融合問題に明示的に対処する新しいイベントデータアソシエーション(EDA)手法を提案する。 提案するEDAは、統合データアソシエーションと情報融合を行うために、イベントデータに最も適したイベントトラジェクトリを求める。 実験結果から,高速,運動のぼやけ,高ダイナミックレンジ条件といった難易度シナリオ下でのEDAの有効性が示された。
  論文  参考訳（メタデータ） (2021-10-25T13:56:00Z)
• Time Series Anomaly Detection with label-free Model Selection [0.6303112417588329]
  ラベルのない時系列データに対するラベルなしモデル選択を用いた新しい異常検出アルゴリズムであるLaF-ADを提案する。 我々のアルゴリズムは容易に並列化可能であり、不条件データや季節データに対してより堅牢であり、多数の異常モデルに対して非常にスケーラブルである。
  論文  参考訳（メタデータ） (2021-06-11T00:21:06Z)
• Selecting Treatment Effects Models for Domain Adaptation Using Causal Knowledge [82.5462771088607]
  監視されていないドメイン適応設定下でITE法用に特別に設計された新しいモデル選択メトリックを提案する。 特に,介入効果の予測が対象領域の既知の因果構造を満たすモデルを選択することを提案する。
  論文  参考訳（メタデータ） (2021-02-11T21:03:14Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Characterizing Fairness Over the Set of Good Models Under Selective Labels [69.64662540443162]
  同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。 到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。 選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
  論文  参考訳（メタデータ） (2021-01-02T02:11:37Z)

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。