Fugu-MT 論文翻訳(概要): Open Challenges in Time Series Anomaly Detection: An Industry Perspective

論文の概要: Open Challenges in Time Series Anomaly Detection: An Industry Perspective

arxiv url: http://arxiv.org/abs/2502.05392v1
Date: Sat, 08 Feb 2025 00:38:07 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-11 14:30:54.847945
Title: Open Challenges in Time Series Anomaly Detection: An Industry Perspective
Title（参考訳）: 時系列異常検出におけるオープンチャレンジ:産業的展望
Authors: Andreas Mueller,
Abstract要約: 実践的な関連性のあるいくつかの分野をリストアップし、現在の議論からまだ検討されていないか、あるいは完全に欠落していると信じている。クラウド環境にデプロイされるシステムの調査に基づいて,ストリーミングアルゴリズム,ヒューマン・イン・ザ・ループシナリオ,ポイントプロセス,条件付き異常,時系列の人口分析の分野を動機づける。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Current research in time-series anomaly detection is using definitions that miss critical aspects of how anomaly detection is commonly used in practice. We list several areas that are of practical relevance and that we believe are either under-investigated or missing entirely from the current discourse. Based on an investigation of systems deployed in a cloud environment, we motivate the areas of streaming algorithms, human-in-the-loop scenarios, point processes, conditional anomalies and populations analysis of time series. This paper serves as a motivation and call for action, including opportunities for theoretical and applied research, as well as for building new dataset and benchmarks.
Abstract（参考訳）: 時系列異常検出の現在の研究は、実際どのように異常検出が一般的に使われているかの重要な側面を見逃す定義を用いている。実践的な関連性のあるいくつかの分野をリストアップし、現在の議論からまだ検討されていないか、あるいは完全に欠落していると信じている。クラウド環境にデプロイされるシステムの調査に基づいて,ストリーミングアルゴリズム,ヒューマン・イン・ザ・ループシナリオ,ポイントプロセス,条件付き異常,時系列の人口分析の分野を動機づける。この論文は、理論と応用研究の機会や、新しいデータセットやベンチマークを構築する機会を含む、モチベーションと行動の呼びかけとして機能する。

関連論文リスト

Online Model-based Anomaly Detection in Multivariate Time Series: Taxonomy, Survey, Research Challenges and Future Directions [0.017476232824732776]
時系列異常検出は、エンジニアリングプロセスにおいて重要な役割を果たす。この調査では、オンラインとオフラインの区別とトレーニングと推論を行う新しい分類法を紹介した。文献で使用される最も一般的なデータセットと評価指標、および詳細な分析を示す。
論文参考訳（メタデータ） (2024-08-07T13:01:10Z)
A Survey on Diffusion Models for Time Series and Spatio-Temporal Data [92.1255811066468]
時系列およびS時間データにおける拡散モデルの使用について概観し、それらをモデル、タスクタイプ、データモダリティ、実用的なアプリケーションドメインで分類する。我々は拡散モデルを無条件型と条件付き型に分類し、時系列とS時間データを別々に議論する。本調査は,医療,レコメンデーション,気候,エネルギー,オーディオ,交通など,さまざまな分野の応用を幅広くカバーしている。
論文参考訳（メタデータ） (2024-04-29T17:19:40Z)
Rethinking Out-of-Distribution Detection for Reinforcement Learning: Advancing Methods for Evaluation and Detection [3.7384109981836158]
強化学習(RL)におけるアウト・オブ・ディストリビューション(OOD)検出の問題点について検討する。本稿では、RLにおけるOOD検出の用語の明確化を提案し、他の機械学習分野の文献と整合する。 OOD検出のための新しいベンチマークシナリオを提案し、エージェント環境ループの異なるコンポーネントに時間的自己相関を伴う異常を導入する。 DEXTERはベンチマークシナリオ間の異常を確実に識別でき、統計から得られた最先端のOOD検出器や高次元変化点検出器と比較して優れた性能を示す。
論文参考訳（メタデータ） (2024-04-10T15:39:49Z)
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)
Precursor-of-Anomaly Detection for Irregular Time Series [31.73234935455713]
本稿では,新しいタイプの異常検出法であるPrecursor-of-Anomaly(PoA)について述べる。両問題を同時に解くために,ニューラルネットワークとマルチタスク学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-06-27T14:10:09Z)
Rare Yet Popular: Evidence and Implications from Labeled Datasets for Network Anomaly Detection [9.717823994163277]
本稿では,ネットワーク環境における異常検出のための,公開・非公開の真理を体系的に分析する。解析の結果, 異常は時間的に稀な事象であるが, 空間的特徴から, 異常が比較的多いことが明らかとなった。
論文参考訳（メタデータ） (2022-11-18T10:14:03Z)
Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
論文参考訳（メタデータ） (2022-11-09T22:40:22Z)
Spatio-temporal predictive tasks for abnormal event detection in videos [60.02503434201552]
オブジェクトレベルの正規化パターンを学習するための制約付きプレテキストタスクを提案する。我々のアプローチは、ダウンスケールの視覚的クエリとそれに対応する正常な外観と運動特性のマッピングを学習することである。いくつかのベンチマークデータセットの実験では、異常の局所化と追跡のためのアプローチの有効性が示されている。
論文参考訳（メタデータ） (2022-10-27T19:45:12Z)
Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-05-06T08:48:02Z)
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。