論文の概要: RoCA: Robust Contrastive One-class Time Series Anomaly Detection with Contaminated Data

• arxiv url: http://arxiv.org/abs/2503.18385v1
• Date: Mon, 24 Mar 2025 06:52:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:38:11.189586
• Title: RoCA: Robust Contrastive One-class Time Series Anomaly Detection with Contaminated Data
• Title（参考訳）: RoCA:汚染データを用いたロバストな一級時系列異常検出
• Authors: Xudong Mou, Rui Wang, Bo Li, Tianyu Wo, Jie Sun, Hui Wang, Xudong Liu,
• Abstract要約: 正規性仮定に基づく手法は3つの制限に直面している。 彼らの基本的な前提は、トレーニングデータが汚染されていない(異常がない)ことである。 本稿では,上記の3つの課題に最初に対処した,新しい堅牢なアプローチであるRoCAを提案する。
• 参考スコア（独自算出の注目度）: 19.25420308920505
• License:
• Abstract: The accumulation of time-series signals and the absence of labels make time-series Anomaly Detection (AD) a self-supervised task of deep learning. Methods based on normality assumptions face the following three limitations: (1) A single assumption could hardly characterize the whole normality or lead to some deviation. (2) Some assumptions may go against the principle of AD. (3) Their basic assumption is that the training data is uncontaminated (free of anomalies), which is unrealistic in practice, leading to a decline in robustness. This paper proposes a novel robust approach, RoCA, which is the first to address all of the above three challenges, as far as we are aware. It fuses the separated assumptions of one-class classification and contrastive learning in a single training process to characterize a more complete so-called normality. Additionally, it monitors the training data and computes a carefully designed anomaly score throughout the training process. This score helps identify latent anomalies, which are then used to define the classification boundary, inspired by the concept of outlier exposure. The performance on AIOps datasets improved by 6% compared to when contamination was not considered (COCA). On two large and high-dimensional multivariate datasets, the performance increased by 5% to 10%. RoCA achieves the highest average performance on both univariate and multivariate datasets. The source code is available at https://github.com/ruiking04/RoCA.
• Abstract（参考訳）: 時系列信号の蓄積とラベルの欠如により、時系列異常検出(AD)はディープラーニングの自己管理タスクとなる。 正規性仮定に基づく手法は、(1) 単一仮定が正規性全体をほとんど特徴付けることができず、あるいは偏りを生じさせるという3つの限界に直面する。 2)ADの原則に反する仮定もある。 (3)訓練データは非汚染(異常のない)であり、実際には非現実的であり、ロバスト性は低下する。 本稿では,これら3つの課題に最初に対処する,新しいロバストなアプローチであるRoCAを提案する。 これは、一級分類と対照的学習の分離された仮定を単一の訓練プロセスで融合させ、より完全な「正規性」を特徴付ける。 さらに、トレーニングデータを監視し、トレーニングプロセス全体を通して慎重に設計された異常スコアを計算する。 このスコアは、アウトリーチ露光の概念に着想を得て、分類境界を定義するために使用される潜在異常を特定するのに役立ちます。 AIOpsデータセットのパフォーマンスは、汚染が考慮されていない(COCA)場合と比較して6%向上した。 2つの大規模・高次元多変量データセットにおいて、性能は5%から10%向上した。 RoCAは、単変量データセットと多変量データセットの両方で最高の平均パフォーマンスを達成する。 ソースコードはhttps://github.com/ruiking04/RoCAで入手できる。

関連論文リスト

• Disentangling Tabular Data Towards Better One-Class Anomaly Detection [24.549797910707092]
  一級分類条件下でのタブラル異常検出は重要な課題である。 通常のサンプル中の属性間の本質的な相関を捉えることは、その概念を学ぶための1つの有望な方法を示す。 その結果,AUC-PRでは6.1%,AUC-ROCでは2.1%の性能向上が得られた。
  論文  参考訳（メタデータ） (2024-11-12T06:24:11Z)
• 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)
• An Iterative Method for Unsupervised Robust Anomaly Detection Under Data Contamination [24.74938110451834]
  ほとんどの深層異常検出モデルは、データセットから正規性を学ぶことに基づいている。 実際、正規性仮定は実データ分布の性質によってしばしば破られる。 このギャップを減らし、より優れた正規性表現を実現するための学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-18T02:36:19Z)
• RoSAS: Deep Semi-Supervised Anomaly Detection with Contamination-Resilient Continuous Supervision [21.393509817509464]
  本稿では, テクスト汚染耐性連続監視信号を考案した, 半教師付き異常検出手法を提案する。 当社のアプローチは、AUC-PRにおいて最先端の競合他社を20%-30%上回っている。
  論文  参考訳（メタデータ） (2023-07-25T04:04:49Z)
• Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
  航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。 本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。 シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
  論文  参考訳（メタデータ） (2023-05-17T09:37:07Z)
• Robust Outlier Rejection for 3D Registration with Variational Bayes [70.98659381852787]
  我々は、ロバストアライメントのための新しい変分非局所ネットワークベース外乱除去フレームワークを開発した。 そこで本稿では, 投票に基づく不整合探索手法を提案し, 変換推定のための高品質な仮説的不整合をクラスタリングする。
  論文  参考訳（メタデータ） (2023-04-04T03:48:56Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Deep Contrastive One-Class Time Series Anomaly Detection [15.27593816198766]
  時系列の逆1クラス異常検出法(COCA)を著者らにより提案する。 元の表現と再構成された表現を、正対の負サンプルのないCL、すなわち「シーケンスコントラスト」として扱う。
  論文  参考訳（メタデータ） (2022-07-04T15:08:06Z)
• Self-Trained One-class Classification for Unsupervised Anomaly Detection [56.35424872736276]
  異常検出(AD)は、製造から医療まで、さまざまな分野に応用されている。 本研究は、トレーニングデータ全体がラベル付けされておらず、正規サンプルと異常サンプルの両方を含む可能性のある、教師なしAD問題に焦点を当てる。 この問題に対処するため,データリファインメントによる堅牢な一級分類フレームワークを構築した。 本手法は6.3AUCと12.5AUCの平均精度で最先端の1クラス分類法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-11T01:36:08Z)
• 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。