論文の概要: VUS: Effective and Efficient Accuracy Measures for Time-Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2502.13318v1
• Date: Tue, 18 Feb 2025 22:19:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-20 13:59:27.637764
• Title: VUS: Effective and Efficient Accuracy Measures for Time-Series Anomaly Detection
• Title（参考訳）: VUS:時系列異常検出のための有効かつ効率的な精度対策
• Authors: Paul Boniol, Ashwin K. Krishna, Marine Bruel, Qinghua Liu, Mingyi Huang, Themis Palpanas, Ruey S. Tsay, Aaron Elmore, Michael J. Franklin, John Paparrizos,
• Abstract要約: 本稿では, ノイズ, 不一致, 異常濃度の異なる条件下での頑健さを評価するため, 時系列ADの品質指標を広範囲に評価する。 以上の結果から,基準値とは無関係に品質値を生成する尺度が時系列ADに適していることが示唆された。
• 参考スコア（独自算出の注目度）: 17.751395424719167
• License:
• Abstract: Anomaly detection (AD) is a fundamental task for time-series analytics with important implications for the downstream performance of many applications. In contrast to other domains where AD mainly focuses on point-based anomalies (i.e., outliers in standalone observations), AD for time series is also concerned with range-based anomalies (i.e., outliers spanning multiple observations). Nevertheless, it is common to use traditional point-based information retrieval measures, such as Precision, Recall, and F-score, to assess the quality of methods by thresholding the anomaly score to mark each point as an anomaly or not. However, mapping discrete labels into continuous data introduces unavoidable shortcomings, complicating the evaluation of range-based anomalies. Notably, the choice of evaluation measure may significantly bias the experimental outcome. Despite over six decades of attention, there has never been a large-scale systematic quantitative and qualitative analysis of time-series AD evaluation measures. This paper extensively evaluates quality measures for time-series AD to assess their robustness under noise, misalignments, and different anomaly cardinality ratios. Our results indicate that measures producing quality values independently of a threshold (i.e., AUC-ROC and AUC-PR) are more suitable for time-series AD. Motivated by this observation, we first extend the AUC-based measures to account for range-based anomalies. Then, we introduce a new family of parameter-free and threshold-independent measures, Volume Under the Surface (VUS), to evaluate methods while varying parameters. We also introduce two optimized implementations for VUS that reduce significantly the execution time of the initial implementation. Our findings demonstrate that our four measures are significantly more robust in assessing the quality of time-series AD methods.
• Abstract（参考訳）: 異常検出(AD)は、多くのアプリケーションのダウンストリーム性能に重要な意味を持つ時系列分析の基本的なタスクである。 ADが主に点ベースの異常(すなわち独立観測における外れ値)に焦点を当てている他の領域とは対照的に、時系列のADは範囲ベースの異常(つまり複数の観測にまたがる外れ値)にも関係している。 それでも、精度、リコール、Fスコアといった従来のポイントベースの情報検索手法を用いて、異常スコアを閾値付けして各ポイントを異常とみなすことにより、メソッドの品質を評価することは一般的である。 しかし、離散ラベルを連続データにマッピングすることは避けられない欠点をもたらし、レンジベースの異常の評価を複雑にする。 特に、評価尺度の選択は実験結果に大きく偏っている可能性がある。 60年以上にわたる注目にもかかわらず、時系列AD評価尺度の大規模で体系的な定量的、質的な分析は行われていない。 本稿では, ノイズ, 不一致, 異常濃度の異なる条件下での頑健さを評価するため, 時系列ADの品質指標を広範囲に評価する。 以上の結果から,基準値(AUC-ROC,AUC-PR)とは無関係に品質値を生成する尺度の方が時系列ADに適していることが示唆された。 この観察により、我々はまずAUCに基づく測度を拡張し、レンジベースの異常を考慮に入れた。 次に,パラメータを含まない,しきい値に依存しない新しい尺度であるVolume Under the Surface (VUS)を導入し,パラメータの異なる手法を評価する。 また、初期実装の実行時間を著しく短縮する2つのVUSの最適化実装も導入した。 本研究は, 時系列AD法の品質評価において, 4つの尺度が有意に堅牢であることを示すものである。

関連論文リスト

• Towards Unbiased Evaluation of Time-series Anomaly Detector [6.521243384420707]
  時系列異常検出(TSAD)は、その重要な応用に動機付けられた研究の進化する領域である。 本研究では,平衡点調整(BA)と呼ばれる代替調整プロトコルを提案する。
  論文  参考訳（メタデータ） (2024-09-19T19:02:45Z)
• PATE: Proximity-Aware Time series anomaly Evaluation [3.0377067713090633]
  従来のパフォーマンスメトリクスは、IDデータを仮定し、複雑な時間的ダイナミクスと時系列異常の特定の特性をキャプチャできない。 本稿では、予測と異常区間の時間的関係を組み込んだ新しい評価指標であるPATE(Proximity-Aware Time series anomaly Evaluation)を紹介する。 合成および実世界のデータセットを用いた実験は、より合理的で正確な評価を提供する上で、PATEの優位性を示している。
  論文  参考訳（メタデータ） (2024-05-20T15:06:36Z)
• Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
  異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。 この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。 セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
  論文  参考訳（メタデータ） (2024-04-16T17:38:26Z)
• 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)
• Unsupervised Anomaly Detection in Time-series: An Extensive Evaluation and Analysis of State-of-the-art Methods [10.618572317896515]
  時系列における教師なし異常検出は文献で広く研究されている。 本稿では,近年の時系列における教師なし異常検出手法の詳細な評価手法を提案する。
  論文  参考訳（メタデータ） (2022-12-06T15:05:54Z)
• TiSAT: Time Series Anomaly Transformer [30.68108039722565]
  本稿では,この評価基準により,初歩的なランダム・ギーズ法が最先端の検出器より優れていることを示す。 本研究では,逐次異常検出の時系列と精度を計測する適切な評価指標を提案する。
  論文  参考訳（メタデータ） (2022-03-10T05:46:58Z)
• Data-Efficient and Interpretable Tabular Anomaly Detection [54.15249463477813]
  本稿では,ホワイトボックスモデルクラスである一般化付加モデルを適用し,異常を検出する新しいフレームワークを提案する。 さらに、提案フレームワークであるDIADは、ラベル付きデータの少量を組み込んで、半教師付き設定における異常検出性能をさらに向上させることができる。
  論文  参考訳（メタデータ） (2022-03-03T22:02:56Z)
• 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)
• Uncertainty-aware Score Distribution Learning for Action Quality Assessment [91.05846506274881]
  行動品質評価(AQA)のための不確実性認識スコア分布学習(USDL)手法を提案する。 具体的には、異なる評価スコアの確率を記述したスコア分布に関連する事例として、アクションを考察する。 微粒なスコアラベルが利用できる状況下では、多パス不確実性を考慮したスコア分布学習法(MUSDL)を考案し、スコアの不整合成分を探索する。
  論文  参考訳（メタデータ） (2020-06-13T15:41:29Z)
• Deep Recurrent Model for Individualized Prediction of Alzheimer's Disease Progression [4.034948808542701]
  アルツハイマー病(Alzheimer's disease, AD)は認知症の主要な原因の一つであり、数年間の進行が遅いことが特徴である。 本稿では,MRIバイオマーカーの表現型測定と臨床状態の軌跡を予測できる新しい計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-05-06T08:08:00Z)

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。