Fugu-MT 論文翻訳(概要): Multivariate Time Series Anomaly Detection using DiffGAN Model

論文の概要: Multivariate Time Series Anomaly Detection using DiffGAN Model

arxiv url: http://arxiv.org/abs/2501.01591v1
Date: Fri, 03 Jan 2025 01:20:38 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-06 15:10:38.988031
Title: Multivariate Time Series Anomaly Detection using DiffGAN Model
Title（参考訳）: DiffGANモデルを用いた多変量時系列異常検出
Authors: Guangqiang Wu, Fu Zhang,
Abstract要約: DiffGANを提案する。これは拡散モデルのデノイザーに生成的対向ネットワークコンポーネントを付加する。複数の最先端再構成モデルと比較して、DiffGANは異常検出において優れた性能を発揮することを示す実験結果が得られた。
参考スコア（独自算出の注目度）: 6.62154383680049
License:
Abstract: In recent years, some researchers have applied diffusion models to multivariate time series anomaly detection. The partial diffusion strategy, which depends on the diffusion steps, is commonly used for anomaly detection in these models. However, different diffusion steps have an impact on the reconstruction of the original data, thereby impacting the effectiveness of anomaly detection. To address this issue, we propose a novel method named DiffGAN, which adds a generative adversarial network component to the denoiser of diffusion model. This addition allows for the simultaneous generation of noisy data and prediction of diffusion steps. Compared to multiple state-of-the-art reconstruction models, experimental results demonstrate that DiffGAN achieves superior performance in anomaly detection.
Abstract（参考訳）: 近年,多変量時系列異常検出に拡散モデルを適用している研究者もいる。拡散ステップに依存する部分拡散戦略は、これらのモデルにおける異常検出に一般的に使用される。しかし,異なる拡散過程が元のデータの再構成に影響を与え,異常検出の有効性に影響を及ぼす。そこで本研究では,DiffGANという新たな手法を提案する。この追加により、ノイズデータの同時生成と拡散ステップの予測が可能になる。複数の最先端再構成モデルと比較して、DiffGANは異常検出において優れた性能を発揮することを示す実験結果が得られた。

関連論文リスト

Anomaly detection using Diffusion-based methods [15.049468347670421]
本稿では,拡散モデルによる異常検出の有用性について検討する。コンパクトデータセットと高解像度データセットの両方における偏差を識別する効果に重点を置いている。
論文参考訳（メタデータ） (2024-12-10T14:17:23Z)
Enhancing Multi-Class Anomaly Detection via Diffusion Refinement with Dual Conditioning [30.4548093767138]
一モデル毎の手法は、しばしば限定的な一般化能力に苦しむ。近年の1モデルオールカテゴリ方式の特徴再構築手法は, 異常サンプルの再構成やぼやけた再構築といった課題に直面している。本稿では,多クラス異常検出のための拡散モデルと変圧器を創造的に組み合わせる。
論文参考訳（メタデータ） (2024-07-02T03:09:40Z)
GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
論文参考訳（メタデータ） (2024-06-11T17:27:23Z)
AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文参考訳（メタデータ） (2023-12-10T05:13:40Z)
Projection Regret: Reducing Background Bias for Novelty Detection via Diffusion Models [72.07462371883501]
本研究では,非意味情報のバイアスを緩和する効率的な新規性検出手法であるemphProjection Regret(PR)を提案する。 PRは、テスト画像とその拡散ベースの投影の間の知覚距離を計算し、異常を検出する。拡張実験により、PRは生成モデルに基づく新規性検出手法の先行技術よりも有意なマージンで優れていることが示された。
論文参考訳（メタデータ） (2023-12-05T09:44:47Z)
ImDiffusion: Imputed Diffusion Models for Multivariate Time Series Anomaly Detection [44.21198064126152]
我々はImDiffusionという新しい異常検出フレームワークを提案する。 ImDiffusionは時系列計算と拡散モデルを組み合わせて、正確で堅牢な異常検出を実現する。我々はImDiffusionの性能をベンチマークデータセットの広範な実験により評価する。
論文参考訳（メタデータ） (2023-07-03T04:57:40Z)
Semi-Implicit Denoising Diffusion Models (SIDDMs) [50.30163684539586]
Denoising Diffusion Probabilistic Models (DDPM)のような既存のモデルは、高品質で多様なサンプルを提供するが、本質的に多くの反復的なステップによって遅くなる。暗黙的要因と明示的要因を一致させることにより、この問題に対処する新しいアプローチを導入する。提案手法は拡散モデルに匹敵する生成性能と,少数のサンプリングステップを持つモデルに比較して非常に優れた結果が得られることを示す。
論文参考訳（メタデータ） (2023-06-21T18:49:22Z)
On Diffusion Modeling for Anomaly Detection [14.542411354617983]
拡散モデルは密度に基づく異常検出の魅力的な候補である。本研究では,拡散に基づく異常検出手法が,半教師付き設定と教師なし設定の両方で競合的に動作することを示す。これらの結果は拡散に基づく異常検出を従来の方法に代わるスケーラブルな代替手段として確立する。
論文参考訳（メタデータ） (2023-05-29T20:19:45Z)
Exploring Diffusion Models for Unsupervised Video Anomaly Detection [17.816344808780965]
本稿では,ビデオ異常検出(VAD)における拡散モデルの性能について検討する。 2つの大規模異常検出データセットで実施された実験は、最先端の生成モデルよりも提案手法の一貫性のある改善を実証している。本研究は, 拡散モデルを用いて, 監視シナリオにおけるVOD検査の指針を示す最初の研究である。
論文参考訳（メタデータ） (2023-04-12T13:16:07Z)
Diffusion Models in Vision: A Survey [73.10116197883303]
拡散モデルは、前方拡散段階と逆拡散段階の2つの段階に基づく深層生成モデルである。拡散モデルは、既知の計算負荷にもかかわらず、生成したサンプルの品質と多様性に対して広く評価されている。
論文参考訳（メタデータ） (2022-09-10T22:00:30Z)
A Survey on Generative Diffusion Model [75.93774014861978]
拡散モデルは、深層生成モデルの新たなクラスである。時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
論文参考訳（メタデータ） (2022-09-06T16:56:21Z)

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。