論文の概要: Calibrated Unsupervised Anomaly Detection in Multivariate Time-series using Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2502.03245v1
• Date: Wed, 05 Feb 2025 15:02:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-06 14:26:28.600345
• Title: Calibrated Unsupervised Anomaly Detection in Multivariate Time-series using Reinforcement Learning
• Title（参考訳）: 強化学習を用いた多変量時系列の校正教師なし異常検出
• Authors: Saba Sanami, Amir G. Aghdam,
• Abstract要約: 本稿では,自己エンコーダの潜伏空間における強化学習(RL)を用いた時系列データにおける教師なし異常検出について検討する。 我々はウェーブレット解析を用いて異常検出を強化し、時系列データを時間領域と周波数領域の両方に分解する。 我々は、合成異常を生成し、モデル内に教師付きフレームワークを埋め込むことで、決定境界を校正する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This paper investigates unsupervised anomaly detection in multivariate time-series data using reinforcement learning (RL) in the latent space of an autoencoder. A significant challenge is the limited availability of anomalous data, often leading to misclassifying anomalies as normal events, thus raising false negatives. RL can help overcome this limitation by promoting exploration and balancing exploitation during training, effectively preventing overfitting. Wavelet analysis is also utilized to enhance anomaly detection, enabling time-series data decomposition into both time and frequency domains. This approach captures anomalies at multiple resolutions, with wavelet coefficients extracted to detect both sudden and subtle shifts in the data, thereby refining the anomaly detection process. We calibrate the decision boundary by generating synthetic anomalies and embedding a supervised framework within the model. This supervised element aids the unsupervised learning process by fine-tuning the decision boundary and increasing the model's capacity to distinguish between normal and anomalous patterns effectively.
• Abstract（参考訳）: 本稿では,自己エンコーダの潜伏空間における強化学習(RL)を用いた多変量時系列データの教師なし異常検出について検討する。 重要な課題は、異常データの可用性が限られていることであり、しばしば異常を通常の事象として誤分類し、偽陰性を引き起こす。 RLは、トレーニング中のエクスプロイトの促進とバランスをとることで、この制限を克服し、オーバーフィッティングを効果的に防止する。 ウェーブレット解析は異常検出を強化するためにも利用されており、時系列データを時間領域と周波数領域の両方に分解することができる。 このアプローチは複数の解像度で異常を捕捉し、ウェーブレット係数を抽出し、データの急激なシフトと微妙なシフトの両方を検出する。 我々は、合成異常を生成し、モデル内に教師付きフレームワークを埋め込むことで、決定境界を校正する。 この教師なし要素は、決定境界を微調整し、モデルの能力を高め、正常パターンと異常パターンを効果的に区別することで、教師なし学習プロセスを支援する。

関連論文リスト

• USD: Unsupervised Soft Contrastive Learning for Fault Detection in Multivariate Time Series [6.055410677780381]
  本研究では,データ拡張とソフトコントラスト学習の組み合わせを導入し,より正確に状態行動の多面的特性を捉えることを目的としている。 この二重戦略は、正常な状態と異常な状態を区別するモデルの能力を著しく向上させ、複数のデータセットと設定で障害検出性能が著しく向上する。
  論文  参考訳（メタデータ） (2024-05-25T14:48:04Z)
• DACR: Distribution-Augmented Contrastive Reconstruction for Time-Series Anomaly Detection [12.3866167448478]
  時系列データの異常検出は、さまざまなアプリケーションにわたる障害、障害、脅威、異常を識別するために不可欠である。 近年、このトピックにディープラーニング技術が適用されているが、現実のシナリオではしばしば苦労している。 本稿では,これらの課題に対処するため,DACR(Distributed-Augmented Contrastive Reconstruction)を提案する。
  論文  参考訳（メタデータ） (2024-01-20T16:56:52Z)
• 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)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• 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)
• 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)
• Harnessing Contrastive Learning and Neural Transformation for Time Series Anomaly Detection [0.0]
  時系列異常検出(TSAD)は多くの産業応用において重要な役割を担っている。 コントラスト学習は、ラベルのないデータから意味のある表現を抽出する過程において、時系列領域で勢いを増している。 本研究では,学習可能な変換で強化されたウィンドウベースのコントラスト学習戦略を取り入れた新しいアプローチであるCNTを提案する。
  論文  参考訳（メタデータ） (2023-04-16T21:36:19Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Low-rank on Graphs plus Temporally Smooth Sparse Decomposition for Anomaly Detection in Spatiotemporal Data [37.65687661747699]
  本稿では,非教師付きテンソルに基づく異常検出手法を提案する。 結果として生じる最適化問題は凸性があり、スケーラブルであり、欠落したデータやノイズに対して堅牢であることが示されている。
  論文  参考訳（メタデータ） (2020-10-23T19:34:40Z)
• 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。