論文の概要: Noise-Resilient Point-wise Anomaly Detection in Time Series Using Weak Segment Labels

• arxiv url: http://arxiv.org/abs/2501.11959v1
• Date: Tue, 21 Jan 2025 08:10:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:21:23.461128
• Title: Noise-Resilient Point-wise Anomaly Detection in Time Series Using Weak Segment Labels
• Title（参考訳）: 弱セグメントラベルを用いた時系列の雑音耐性ポイントワイド異常検出
• Authors: Yaxuan Wang, Hao Cheng, Jing Xiong, Qingsong Wen, Han Jia, Ruixuan Song, Liyuan Zhang, Zhaowei Zhu, Yang Liu,
• Abstract要約: NRdetectorは、信頼性ベースのサンプル選択、堅牢なセグメントレベルの学習、データ中心のポイントレベルの検出を組み込んだ耐雑音性フレームワークである。 複数の実世界のデータセットにまたがるロバストな結果が一貫して達成される。
• 参考スコア（独自算出の注目度）: 27.250664021725317
• License:
• Abstract: Detecting anomalies in temporal data has gained significant attention across various real-world applications, aiming to identify unusual events and mitigate potential hazards. In practice, situations often involve a mix of segment-level labels (detected abnormal events with segments of time points) and unlabeled data (undetected events), while the ideal algorithmic outcome should be point-level predictions. Therefore, the huge label information gap between training data and targets makes the task challenging. In this study, we formulate the above imperfect information as noisy labels and propose NRdetector, a noise-resilient framework that incorporates confidence-based sample selection, robust segment-level learning, and data-centric point-level detection for multivariate time series anomaly detection. Particularly, to bridge the information gap between noisy segment-level labels and missing point-level labels, we develop a novel loss function that can effectively mitigate the label noise and consider the temporal features. It encourages the smoothness of consecutive points and the separability of points from segments with different labels. Extensive experiments on real-world multivariate time series datasets with 11 different evaluation metrics demonstrate that NRdetector consistently achieves robust results across multiple real-world datasets, outperforming various baselines adapted to operate in our setting.
• Abstract（参考訳）: 時間的データの異常を検出することは、異常な事象を特定し、潜在的な危険を緩和することを目的として、様々な現実世界のアプリケーションで大きな注目を集めている。 実際には、多くの場合、セグメントレベルのラベル(タイムポイントのセグメントで検出された異常事象)とラベルなしデータ(未検出事象)が混在するが、理想的なアルゴリズム的な結果はポイントレベルの予測であるべきである。 したがって、トレーニングデータと目標の間の大きなラベル情報ギャップは、そのタスクを難しくする。 本研究では,この不完全情報をノイズラベルとして定式化し,信頼性に基づくサンプル選択,頑健なセグメントレベル学習,多変量時系列異常検出のためのデータ中心点レベル検出を組み込んだノイズ耐性フレームワークNRdetectorを提案する。 特に,ノイズのあるセグメントレベルラベルと欠落点レベルのラベル間の情報ギャップを埋めるために,ラベルノイズを効果的に軽減し,時間的特徴を考慮した新たな損失関数を開発する。 連続点の滑らかさと異なるラベルを持つセグメントからの点の分離性を促進する。 11の異なる評価指標を持つ実世界の多変量時系列データセットに対する大規模な実験により、NRdetectorは複数の実世界のデータセットに対して一貫して堅牢な結果を達成し、我々の環境での運用に適合した様々なベースラインよりも優れていた。

関連論文リスト

• Event Detection via Probability Density Function Regression [0.0]
  本研究では、時間間隔定義イベント検出問題を再編成する一般化回帰に基づく手法を提案する。 コンピュータビジョンからの熱マップ回帰技術にインスパイアされた本手法は,事象発生時の確率密度を予測することを目的としている。 回帰に基づくアプローチは,様々な最先端のベースラインネットワークやデータセットのセグメンテーションに基づく手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-08-23T01:58:56Z)
• Multi-Label Noise Transition Matrix Estimation with Label Correlations: Theory and Algorithm [73.94839250910977]
  ノイズの多いマルチラベル学習は、大規模な正確なラベルの収集によって生じる課題により、注目を集めている。 遷移行列の導入は、マルチラベルノイズをモデル化し、統計的に一貫したアルゴリズムの開発に役立つ。 そこで本稿では, アンカーポイントを必要とせずに, ラベル相関を利用した新しい推定器を提案する。
  論文  参考訳（メタデータ） (2023-09-22T08:35:38Z)
• Low-count Time Series Anomaly Detection [1.3207844222875191]
  低数の時系列はスパースまたは断続的なイベントを記述しており、多様なデータタイプをキャプチャし監視する大規模オンラインプラットフォームで広く使われている。 低数時系列、特に低信号対雑音比をモデル化する際、いくつかの異なる課題が表面化している。 異常セグメントを持つ低カウント時系列からなるベンチマークデータセットを作成するための新しい生成手順を提案する。
  論文  参考訳（メタデータ） (2023-08-24T16:58:30Z)
• Co-Learning Meets Stitch-Up for Noisy Multi-label Visual Recognition [70.00984078351927]
  本稿では,多ラベル分類と長期学習の特徴に基づく雑音の低減に焦点をあてる。 よりクリーンなサンプルを合成し,マルチラベルノイズを直接低減するStitch-Up拡張を提案する。 ヘテロジニアス・コラーニング・フレームワークは、長い尾の分布とバランスの取れた分布の不整合を活用するためにさらに設計されている。
  論文  参考訳（メタデータ） (2023-07-03T09:20:28Z)
• 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)
• PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
  本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。 我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-01-25T16:34:43Z)
• Label-Efficient Interactive Time-Series Anomaly Detection [17.799924009674694]
  ラベル効率の良い対話型時系列異常検出システム(LEIAD)を提案する。 この目標を達成するために、システムは弱い監督と活発な学習を協調的に統合する。 本稿では,3つの時系列異常検出データセットについて実験を行い,提案手法が既存手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-30T10:16:15Z)
• Automated Detection of Label Errors in Semantic Segmentation Datasets via Deep Learning and Uncertainty Quantification [5.279257531335345]
  ピクセルワイドラベルを用いたセマンティックセグメンテーションデータセットにおけるラベル誤り検出手法を初めて提案する。 提案手法では,誤検出回数を制御しながら,ラベルエラーの大部分を検出することができる。
  論文  参考訳（メタデータ） (2022-07-13T10:25:23Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)
• Weakly Supervised Temporal Anomaly Segmentation with Dynamic Time Warping [23.829072352059953]
  本稿では,入力インスタンス内の異常時間セグメントを効果的に識別する新しいフレームワークであるWETASを提案する。 WETASは時間的異常の局所化という点で他のベースラインよりもかなり優れていることを示す。
  論文  参考訳（メタデータ） (2021-08-15T21:22:06Z)
• Change Point Detection in Time Series Data using Autoencoders with a Time-Invariant Representation [69.34035527763916]
  変化点検出(CPD)は、時系列データにおける急激な特性変化を見つけることを目的としている。 近年のCDD法は、深層学習技術を用いる可能性を示したが、信号の自己相関統計学におけるより微妙な変化を識別する能力に欠けることが多い。 我々は、新しい損失関数を持つオートエンコーダに基づく手法を用い、使用済みオートエンコーダは、CDDに適した部分的な時間不変表現を学習する。
  論文  参考訳（メタデータ） (2020-08-21T15:03:21Z)

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。

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。