論文の概要: Anomalous Agreement: How to find the Ideal Number of Anomaly Classes in Correlated, Multivariate Time Series Data

• arxiv url: http://arxiv.org/abs/2501.07172v1
• Date: Mon, 13 Jan 2025 10:04:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:29:49.449701
• Title: Anomalous Agreement: How to find the Ideal Number of Anomaly Classes in Correlated, Multivariate Time Series Data
• Title（参考訳）: 異常一致:関連性・多変量時系列データにおける異常クラスの理想的な数を求める方法
• Authors: Ferdinand Rewicki, Joachim Denzler, Julia Niebling,
• Abstract要約: 本稿では,時系列間の異常の同期を利用してクラスタ品質を評価するSynchronized Anomaly Agreement Index (SAAI)を紹介する。 本研究では,SAAI の最大化により,相関時系列における乱数 K の真数を求めるタスクの精度が SSC と比較して 0.23 向上し,X-Means に比べて 0.32 向上したことを示す。
• 参考スコア（独自算出の注目度）: 42.48512312730543
• License:
• Abstract: Detecting and classifying abnormal system states is critical for condition monitoring, but supervised methods often fall short due to the rarity of anomalies and the lack of labeled data. Therefore, clustering is often used to group similar abnormal behavior. However, evaluating cluster quality without ground truth is challenging, as existing measures such as the Silhouette Score (SSC) only evaluate the cohesion and separation of clusters and ignore possible prior knowledge about the data. To address this challenge, we introduce the Synchronized Anomaly Agreement Index (SAAI), which exploits the synchronicity of anomalies across multivariate time series to assess cluster quality. We demonstrate the effectiveness of SAAI by showing that maximizing SAAI improves accuracy on the task of finding the true number of anomaly classes K in correlated time series by 0.23 compared to SSC and by 0.32 compared to X-Means. We also show that clusters obtained by maximizing SAAI are easier to interpret compared to SSC.
• Abstract（参考訳）: 異常なシステム状態の検出と分類は、状態監視にとって重要であるが、異常の頻度とラベル付きデータの欠如により、監視方法が不足することが多い。 したがって、クラスタリングは、しばしば同様の異常な振る舞いをグループ化するのに使用される。 しかし、Silhouette Score(SSC)のような既存の尺度では、クラスタの凝集と分離のみを評価し、データの事前知識を無視しているため、根拠のないクラスタ品質の評価は困難である。 この課題に対処するために、多変量時系列における異常の同期を利用してクラスタ品質を評価するSynchronized Anomaly Agreement Index (SAAI)を導入する。 本研究では,SAAI の最大化により,相関時系列における乱数 K の真数を求めるタスクの精度が SSC と比較して 0.23 向上し,X-Means に比べて 0.32 向上することを示し,SAAI の有効性を示す。 また,SAAIの最大化によって得られたクラスタは,SSCに比べて解釈が容易であることを示す。

関連論文リスト

• Understanding Time Series Anomaly State Detection through One-Class Classification [13.822504564241454]
  本稿では,一級分類(OCC)による時系列異常検出問題の再検討と定義を試みる。 まず、プロセスと仮説テストを用いて「時系列異常状態検出問題」とその対応する異常を厳密に定義する。 そして、時系列分類データセットを用いて、問題に対応する人工データセットを構築する。 我々は38個の異常検出アルゴリズムをコンパイルし、いくつかのアルゴリズムを修正してこの問題に対処する。
  論文  参考訳（メタデータ） (2024-02-03T03:43:04Z)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
  航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。 本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。 シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
  論文  参考訳（メタデータ） (2023-05-17T09:37:07Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Deep Contrastive One-Class Time Series Anomaly Detection [15.27593816198766]
  時系列の逆1クラス異常検出法(COCA)を著者らにより提案する。 元の表現と再構成された表現を、正対の負サンプルのないCL、すなわち「シーケンスコントラスト」として扱う。
  論文  参考訳（メタデータ） (2022-07-04T15:08:06Z)
• LSTM-Autoencoder based Anomaly Detection for Indoor Air Quality Time Series Data [6.642599588462097]
  室内空気質(IAQ)データの異常検出は、空気の質が人間の健康と健康と密接に関連しているため、研究の重要領域となっている。 IAQ領域における異常検出における従来の統計と機械学習に基づくアプローチは、複数のデータポイントにわたる相関の観測を含む異常を検出できなかった。 本稿では,LSTMとオートエンコーダを組み合わせたハイブリッドディープラーニングモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-14T01:57:46Z)
• Time Series Classification Using Convolutional Neural Network On Imbalanced Datasets [0.0]
  時系列分類(TSC)はその幅広い用途のために文学において多くの注目を集めている。 本稿では、サンプリングベースとアルゴリズムアプローチの両方を用いて、不均衡問題に対処する。 不均衡比が高いにもかかわらず、シミュレーションされたTwoPatternsデータセットではFスコアが97.6%に達する可能性がある。
  論文  参考訳（メタデータ） (2021-10-10T10:02:14Z)
• Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy [68.86835407617778]
  Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。 Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-10-06T10:33:55Z)

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。