論文の概要: Exploring the impact of Optimised Hyperparameters on Bi-LSTM-based Contextual Anomaly Detector
- arxiv url: http://arxiv.org/abs/2501.15053v1
- Date: Sat, 25 Jan 2025 03:26:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-28 13:58:52.784467
- Title: Exploring the impact of Optimised Hyperparameters on Bi-LSTM-based Contextual Anomaly Detector
- Title(参考訳): Bi-LSTMを用いたコンテキスト異常検出器における最適化ハイパーパラメータの影響の探索
- Authors: Aafan Ahmad Toor, Jia-Chun Lin, Ernst Gunnar Gran,
- Abstract要約: 本研究は、最適化ハイパーパラマンタ(UoCAD-OH)を用いたUoCADの提案による、教師なしオンラインコンテキスト異常検出(UoCAD)アプローチに対する自動調整ハイパーパラマンタの影響について検討する。
実験では、コンテキスト異常を含む2つのスマートホーム空気質データセット上で、提案したフレームワークを評価する。
- 参考スコア(独自算出の注目度): 0.09831489366502298
- License:
- Abstract: The exponential growth in the usage of Internet of Things in daily life has caused immense increase in the generation of time series data. Smart homes is one such domain where bulk of data is being generated and anomaly detection is one of the many challenges addressed by researchers in recent years. Contextual anomaly is a kind of anomaly that may show deviation from the normal pattern like point or sequence anomalies, but it also requires prior knowledge about the data domain and the actions that caused the deviation. Recent studies based on Recurrent Neural Networks (RNN) have demonstrated strong performance in anomaly detection. This study explores the impact of automatically tuned hyperparamteres on Unsupervised Online Contextual Anomaly Detection (UoCAD) approach by proposing UoCAD with Optimised Hyperparamnters (UoCAD-OH). UoCAD-OH conducts hyperparameter optimisation on Bi-LSTM model in an offline phase and uses the fine-tuned hyperparameters to detect anomalies during the online phase. The experiments involve evaluating the proposed framework on two smart home air quality datasets containing contextual anomalies. The evaluation metrics used are Precision, Recall, and F1 score.
- Abstract(参考訳): 日常生活におけるモノのインターネットの利用の指数的な増加は、時系列データの生成を著しく増加させた。
スマートホームは、大量のデータが生成され、異常検出が近年研究者が直面している課題のひとつだ。
コンテキスト異常(Contextual anomaly)は、点やシーケンス異常のような通常のパターンからの逸脱を示す可能性のある異常の一種であるが、データドメインと逸脱を引き起こしたアクションに関する事前の知識も必要である。
Recurrent Neural Networks (RNN) に基づく最近の研究は、異常検出において強い性能を示している。
本研究は,UoCADを最適化ハイパーパラマンタ(UoCAD-OH)で提案し,教師なしオンラインコンテキスト異常検出(UoCAD)アプローチに対する自動調整ハイパーパラマンタの影響について検討する。
UoCAD-OHは、オフラインフェーズでBi-LSTMモデル上でハイパーパラメータ最適化を行い、微調整されたハイパーパラメータを使用してオンラインフェーズ中の異常を検出する。
実験は、コンテキスト異常を含む2つのスマートホーム空気質データセット上で、提案したフレームワークを評価することを含む。
使用する評価指標は、精度、リコール、F1スコアである。
関連論文リスト
- Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳(メタデータ) (2023-11-27T13:14:06Z) - 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) - Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。
本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。
HypADは自己指導で入力信号を再構築する。
論文 参考訳(メタデータ) (2022-11-16T21:31:39Z) - DEGAN: Time Series Anomaly Detection using Generative Adversarial
Network Discriminators and Density Estimation [0.0]
我々は,GANに基づく異常検出フレームワークDEGANを提案する。
これは、適切に構成された識別器(D)をスタンドアロンの異常予測器に訓練するための入力として、通常の時系列データにのみ依存する。
論文 参考訳(メタデータ) (2022-10-05T04:32:12Z) - An Outlier Exposure Approach to Improve Visual Anomaly Detection
Performance for Mobile Robots [76.36017224414523]
移動ロボットの視覚異常検出システム構築の問題点を考察する。
標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。
本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
論文 参考訳(メタデータ) (2022-09-20T15:18:13Z) - 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) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳(メタデータ) (2021-09-08T14:07:55Z) - Unsupervised Deep Anomaly Detection for Multi-Sensor Time-Series Signals [10.866594993485226]
本稿では,Deep Convolutional Autoencoding Memory Network (CAE-M) という,ディープラーニングに基づく新しい異常検出アルゴリズムを提案する。
我々はまず,最大平均離散値(MMD)を用いたマルチセンサデータの空間依存性を特徴付けるディープ畳み込みオートエンコーダを構築する。
そして,線形(自己回帰モデル)と非線形予測(注意を伴う大規模LSTM)からなるメモリネットワークを構築し,時系列データから時間依存性を捉える。
論文 参考訳(メタデータ) (2021-07-27T06:48:20Z) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳(メタデータ) (2020-09-16T15:52:04Z)
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。