論文の概要: OIPR: Evaluation for Time-series Anomaly Detection Inspired by Operator Interest
- arxiv url: http://arxiv.org/abs/2503.01260v1
- Date: Mon, 03 Mar 2025 07:37:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-05 19:16:41.563332
- Title: OIPR: Evaluation for Time-series Anomaly Detection Inspired by Operator Interest
- Title（参考訳）: OIPR:オペレーターによる時系列異常検出の評価
- Authors: Yuhan Jing, Jingyu Wang, Lei Zhang, Haifeng Sun, Bo He, Zirui Zhuang, Chengsen Wang, Qi Qi, Jianxin Liao,
- Abstract要約: 我々は,OIPRと呼ばれる時系列異常検出評価指標を新たに提案する。
OIPRは、オペレーターが検出アラームを受信し、障害を処理し、オペレーターの関心曲線の下の領域を利用してTADアルゴリズムの性能を評価する過程をモデル化する。
ポイントパースペクティブとイベントパースペクティブのバランスを達成し、主要な制限を克服し、より広い状況に適用性を提供します。
- 参考スコア（独自算出の注目度）: 26.460594836601004
- License:
- Abstract: With the growing adoption of time-series anomaly detection (TAD) technology, numerous studies have employed deep learning-based detectors for analyzing time-series data in the fields of Internet services, industrial systems, and sensors. The selection and optimization of anomaly detectors strongly rely on the availability of an effective performance evaluation method for TAD. Since anomalies in time-series data often manifest as a sequence of points, conventional metrics that solely consider the detection of individual point are inadequate. Existing evaluation methods for TAD typically employ point-based or event-based metrics to capture the temporal context. However, point-based metrics tend to overestimate detectors that excel only in detecting long anomalies, while event-based metrics are susceptible to being misled by fragmented detection results. To address these limitations, we propose OIPR, a novel set of TAD evaluation metrics. It models the process of operators receiving detector alarms and handling faults, utilizing area under the operator interest curve to evaluate the performance of TAD algorithms. Furthermore, we build a special scenario dataset to compare the characteristics of different evaluation methods. Through experiments conducted on the special scenario dataset and five real-world datasets, we demonstrate the remarkable performance of OIPR in extreme and complex scenarios. It achieves a balance between point and event perspectives, overcoming their primary limitations and offering applicability to broader situations.
- Abstract（参考訳）: 時系列異常検出(TAD)技術の普及に伴い、インターネットサービス、産業システム、センサーの分野における時系列データを分析するためのディープラーニングベースの検出器が多くの研究で採用されている。
異常検出器の選択と最適化は,TADの有効な性能評価法が利用可能であることに強く依存している。
時系列データの異常はしばしば点列として表されるため、個々の点の検出のみを考慮する従来の指標は不十分である。
既存のTADの評価手法では、時間的文脈を捉えるためにポイントベースまたはイベントベースのメトリクスを用いるのが一般的である。
しかし、ポイントベースのメトリクスは長い異常を検出する場合にのみ優れた検出器を過小評価する傾向があり、一方イベントベースのメトリクスは断片化された検出結果によって誤解される可能性がある。
これらの制約に対処するため,新しいTAD評価指標であるOIPRを提案する。
オペレーターが検出アラームを受信し、障害を処理し、オペレーターの利害曲線の下の領域を利用してTADアルゴリズムの性能を評価する過程をモデル化する。
さらに,異なる評価手法の特性を比較するためのシナリオデータセットを構築した。
特殊シナリオデータセットと5つの実世界のデータセットで実施した実験を通じて、極端かつ複雑なシナリオにおけるOIPRの顕著な性能を実証した。
ポイントパースペクティブとイベントパースペクティブのバランスを達成し、主要な制限を克服し、より広い状況に適用性を提供します。
関連論文リスト
- A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。
このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。
我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文 参考訳（メタデータ） (2024-06-05T13:40:07Z) - 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) - Detection Latencies of Anomaly Detectors: An Overlooked Perspective ? [1.8492669447784602]
本稿では,攻撃とエラーの時間的遅延を測定することの関連性について論じる。
本稿では,検知器の評価手法を提案する。
論文 参考訳（メタデータ） (2024-02-14T10:52:39Z) - 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) - 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) - 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) - 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) - A Comparative Study on Unsupervised Anomaly Detection for Time Series:
Experiments and Analysis [28.79393419730138]
時系列異常検出は、信頼性と安全性を実現するためにしばしば不可欠である。
近年,時系列データの異常検出が盛んに行われている。
データ、メソッド、評価戦略について紹介する。
我々は,最先端技術とディープラーニング技術とを体系的に評価し,比較した。
論文 参考訳（メタデータ） (2022-09-10T10:44:25Z) - 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) - Doing Great at Estimating CATE? On the Neglected Assumptions in
Benchmark Comparisons of Treatment Effect Estimators [91.3755431537592]
もっとも単純な設定であっても、無知性仮定に基づく推定は誤解を招く可能性があることを示す。
異種処理効果評価のための機械学習ベンチマークデータセットを2つ検討した。
ベンチマークデータセットの固有の特性が、他のものよりもいくつかのアルゴリズムを好んでいる点を強調します。
論文 参考訳（メタデータ） (2021-07-28T13:21:27Z) - How Far Should We Look Back to Achieve Effective Real-Time Time-Series
Anomaly Detection? [1.0437764544103274]
異常検出は、予期せぬ事象やデータの異常を識別するプロセスである。
RePAD (Real-time Proactive Anomaly Detection algorithm) は上記の全ての特徴を持つ一般的な手法である。
歴史的データポイントの差がRePADの性能に与える影響は明らかでない。
論文 参考訳（メタデータ） (2021-02-12T14:51:05Z)
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。