Fugu-MT 論文翻訳(概要): Unsupervised Feature Construction for Anomaly Detection in Time Series -- An Evaluation

論文の概要: Unsupervised Feature Construction for Anomaly Detection in Time Series -- An Evaluation

arxiv url: http://arxiv.org/abs/2501.07999v2
Date: Mon, 20 Jan 2025 13:54:59 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-22 14:15:41.751787
Title: Unsupervised Feature Construction for Anomaly Detection in Time Series -- An Evaluation
Title（参考訳）: 時系列における異常検出のための教師なし特徴構築 -評価-
Authors: Marine Hamon, Vincent Lemaire, Nour Eddine Yassine Nair-Benrekia, Samuel Berlemont, Julien Cumin,
Abstract要約: 本稿では,初期時空間表現から検出器を構築すべきか,あるいは既存の自動変数構築ライブラリを用いて新しい(タブラリ)表現を計算すべきかを検討する。 5つの異なるデータセットに対して得られた結果は、tsfreshライブラリを使用して計算された新しい表現によって、分離フォレストのパフォーマンスが大幅に改善されたことを示している。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: To detect anomalies with precision and without prior knowledge in time series, is it better to build a detector from the initial temporal representation, or to compute a new (tabular) representation using an existing automatic variable construction library? In this article, we address this question by conducting an in-depth experimental study for two popular detectors (Isolation Forest and Local Outlier Factor). The obtained results, for 5 different datasets, show that the new representation, computed using the tsfresh library, allows Isolation Forest to significantly improve its performance.
Abstract（参考訳）: 時系列の事前知識のない精度で異常を検出するためには、初期時間表現から検出器を構築するか、あるいは既存の自動変数構築ライブラリを使って新しい(タブラリ)表現を計算するほうがよいだろうか? 本稿では,2つの人気検出器(Isolation ForestとLocal Outlier Factor)の詳細な実験を行い,この問題に対処する。 5つの異なるデータセットに対して得られた結果は、tsfreshライブラリを使用して計算された新しい表現によって、分離フォレストのパフォーマンスが大幅に改善されたことを示している。

関連論文リスト

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)
DIVERSIFY: A General Framework for Time Series Out-of-distribution Detection and Generalization [58.704753031608625]
時系列は、機械学習研究における最も困難なモダリティの1つである。時系列上でのOODの検出と一般化は、その非定常性によって悩まされる傾向がある。時系列の動的分布のOOD検出と一般化のためのフレームワークであるDIVERSIFYを提案する。
論文参考訳（メタデータ） (2023-08-04T12:27:11Z)
CNTS: Cooperative Network for Time Series [7.356583983200323]
本稿では,協調ネットワーク時系列法(Cooperative Network Time Series approach)と呼ばれる,教師なし異常検出のための新しい手法を提案する。 CNTSの中心的な側面は多目的最適化の問題であり、協調的な解法戦略によって解決される。実世界の3つのデータセットの実験は、CNTSの最先端性能を示し、検出器と再構成器の協調的有効性を確認する。
論文参考訳（メタデータ） (2023-02-20T06:55:10Z)
Improving Out-of-Distribution Generalization of Neural Rerankers with Contextualized Late Interaction [52.63663547523033]
マルチベクトルの最も単純な形式である後期相互作用は、[]ベクトルのみを使用して類似度スコアを計算する神経リランカにも役立ちます。異なるモデルサイズと多様な性質の第一段階のレトリバーに一貫性があることが示される。
論文参考訳（メタデータ） (2023-02-13T18:42:17Z)
tegdet: An extensible Python Library for Anomaly Detection using Time-Evolving Graphs [0.5156484100374059]
本稿では,教師なし学習における異常検出のためのPythonライブラリを提案する。このライブラリは28の異なる異種のメトリクスを実装しており、新しいメトリクスで簡単に拡張できるように設計されている。本実験では,アルゴリズムの実行時間と実装手法の精度について有望な結果を示す。
論文参考訳（メタデータ） (2022-10-17T08:43:48Z)
A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文参考訳（メタデータ） (2022-09-23T06:09:35Z)
Anomaly Detection with Test Time Augmentation and Consistency Evaluation [13.709281244889691]
本稿では,TTA-AD(Test Time Augmentation Anomaly Detection)と呼ばれる簡易かつ効果的な異常検出アルゴリズムを提案する。我々は、分散データよりもトレーニングされたネットワーク上でのオリジナルバージョンと拡張バージョンについて、分散データの方が一貫性のある予測を楽しむことを観察した。様々な高解像度画像ベンチマークデータセットの実験は、TTA-ADが同等またはより良い検出性能を達成することを示した。
論文参考訳（メタデータ） (2022-06-06T04:27:06Z)
Deep Generative model with Hierarchical Latent Factors for Time Series Anomaly Detection [40.21502451136054]
本研究は、時系列異常検出のための新しい生成モデルであるDGHLを提示する。トップダウンの畳み込みネットワークは、新しい階層的な潜在空間を時系列ウィンドウにマッピングし、時間ダイナミクスを利用して情報を効率的にエンコードする。提案手法は,4つのベンチマーク・データセットにおいて,現在の最先端モデルよりも優れていた。
論文参考訳（メタデータ） (2022-02-15T17:19:44Z)
Stacking VAE with Graph Neural Networks for Effective and Interpretable Time Series Anomaly Detection [5.935707085640394]
本研究では,実効かつ解釈可能な時系列異常検出のための,グラフニューラルネットワークを用いた自動エンコーダ(VAE)モデルを提案する。我々は,提案モデルが3つの公開データセットの強いベースラインを上回っており,大幅に改善されていることを示す。
論文参考訳（メタデータ） (2021-05-18T09:50:00Z)
Representation Learning for Sequence Data with Deep Autoencoding Predictive Components [96.42805872177067]
本稿では,シーケンスデータの有用な表現が潜在空間における単純な構造を示すべきという直感に基づく,シーケンスデータの自己教師型表現学習法を提案する。我々は,過去と将来のウィンドウ間の相互情報である潜在特徴系列の予測情報を最大化することにより,この潜時構造を奨励する。提案手法は,ノイズの多い動的システムの潜時空間を復元し,タスク予測のための予測特徴を抽出し,エンコーダを大量の未ラベルデータで事前訓練する場合に音声認識を改善する。
論文参考訳（メタデータ） (2020-10-07T03:34:01Z)
Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。我々は,再建基準の代替として,異常スコアの代替尺度を提案した。提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。