論文の概要: AMAD: AutoMasked Attention for Unsupervised Multivariate Time Series Anomaly Detection
- arxiv url: http://arxiv.org/abs/2504.06643v2
- Date: Thu, 10 Apr 2025 02:37:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-11 12:22:46.326064
- Title: AMAD: AutoMasked Attention for Unsupervised Multivariate Time Series Anomaly Detection
- Title（参考訳）: AMAD: 教師なし多変量時系列異常検出のための自動マスケードアテンション
- Authors: Tiange Huang, Yongjun Li,
- Abstract要約: AMADはUMTStextbfADシナリオに対するtextbfAutotextbfMasked Attentionを統合している。
AMADはUMTSADの課題に対して堅牢で適応可能なソリューションを提供する。
- 参考スコア（独自算出の注目度）: 0.7371521417300614
- License:
- Abstract: Unsupervised multivariate time series anomaly detection (UMTSAD) plays a critical role in various domains, including finance, networks, and sensor systems. In recent years, due to the outstanding performance of deep learning in general sequential tasks, many models have been specialized for deep UMTSAD tasks and have achieved impressive results, particularly those based on the Transformer and self-attention mechanisms. However, the sequence anomaly association assumptions underlying these models are often limited to specific predefined patterns and scenarios, such as concentrated or peak anomaly patterns. These limitations hinder their ability to generalize to diverse anomaly situations, especially where the lack of labels poses significant challenges. To address these issues, we propose AMAD, which integrates \textbf{A}uto\textbf{M}asked Attention for UMTS\textbf{AD} scenarios. AMAD introduces a novel structure based on the AutoMask mechanism and an attention mixup module, forming a simple yet generalized anomaly association representation framework. This framework is further enhanced by a Max-Min training strategy and a Local-Global contrastive learning approach. By combining multi-scale feature extraction with automatic relative association modeling, AMAD provides a robust and adaptable solution to UMTSAD challenges. Extensive experimental results demonstrate that the proposed model achieving competitive performance results compared to SOTA benchmarks across a variety of datasets.
- Abstract（参考訳）: unsupervised multivariate time series anomaly detection (UMTSAD) は、金融、ネットワーク、センサーシステムを含む様々な領域において重要な役割を果たす。
近年,一般的な逐次タスクにおけるディープラーニングの卓越した性能のため,多くのモデルが深いUMTSADタスクに特化しており,特にトランスフォーマーと自己認識機構に基づく顕著な成果を上げている。
しかしながら、これらのモデルに基づくシーケンス異常関連仮定は、集中パターンやピーク異常パターンのような特定の事前定義されたパターンやシナリオに制限されることが多い。
これらの制限は、特にラベルの欠如が重大な課題を引き起こす様々な異常な状況に一般化する能力を妨げている。
これらの問題に対処するために、UMTS\textbf{AD} シナリオに対する \textbf{A}uto\textbf{M}aked Attention を統合した AMAD を提案する。
AMADはAutoMask機構とアテンション・ミックスアップ・モジュールに基づく新しい構造を導入し、単純だが一般化された異常関連表現フレームワークを形成する。
このフレームワークは、Max-Minトレーニング戦略とLocal-Globalコントラスト学習アプローチによってさらに強化されている。
マルチスケール特徴抽出と自動相対関係モデリングを組み合わせることで、AMADはUMTSAD課題に対する堅牢で適応可能なソリューションを提供する。
実験結果から,様々なデータセットを対象としたSOTAベンチマークと比較し,提案モデルが競合性能を達成できることが示唆された。
関連論文リスト
- See it, Think it, Sorted: Large Multimodal Models are Few-shot Time Series Anomaly Analyzers [23.701716999879636]
時系列データの急激な増加に伴い,時系列異常検出(TSAD)はますます重要になりつつある。
本稿では,TMA(Time Series Anomaly Multimodal Analyzer)と呼ばれる先駆的なフレームワークを導入し,異常の検出と解釈を両立させる。
論文 参考訳（メタデータ） (2024-11-04T10:28:41Z) - DMAD: Dual Memory Bank for Real-World Anomaly Detection [90.97573828481832]
我々は、DMAD(Anomaly Detection)のための表現学習を強化したDual Memory Bankという新しいフレームワークを提案する。
DMADはデュアルメモリバンクを用いて特徴距離を計算し、正常パターンと異常パターンの間の特徴注意を計算している。
DMADをMVTec-ADおよびVisAデータセット上で評価した。
論文 参考訳（メタデータ） (2024-03-19T02:16:32Z) - Exploiting Modality-Specific Features For Multi-Modal Manipulation
Detection And Grounding [54.49214267905562]
マルチモーダルな操作検出とグラウンド処理のためのトランスフォーマーベースのフレームワークを構築する。
本フレームワークは,マルチモーダルアライメントの能力を維持しながら,モダリティ特有の特徴を同時に探求する。
本稿では,グローバルな文脈的キューを各モーダル内に適応的に集約する暗黙的操作クエリ(IMQ)を提案する。
論文 参考訳（メタデータ） (2023-09-22T06:55:41Z) - Beyond Sharing: Conflict-Aware Multivariate Time Series Anomaly
Detection [18.796225184893874]
本稿では,衝突を意識した異常検出アルゴリズムCADを紹介する。
その結果,バニラMMoEの粗悪な性能は,MTS定式化の入力出力ミスアライメント設定に起因していることが判明した。
CADは3つの公開データセットの平均F1スコアが0.943であることを示す。
論文 参考訳（メタデータ） (2023-08-17T11:00:01Z) - Rethinking Uncertainly Missing and Ambiguous Visual Modality in
Multi-Modal Entity Alignment [38.574204922793626]
提案するデータセットMMEA-UMVM上で,最新のMMEAモデルをベンチマークすることで,視覚的モダリティの不完全性のさらなる解析を行う。
我々の研究は、モダリティの不完全性に直面して、モデルがモダリティノイズを過度に適合させ、モダリティを欠く高い速度で性能の振動や低下を示すことを示唆している。
UMAEAは、不確実で曖昧な視覚的モダリティに対処するために設計された、堅牢なマルチモーダルエンティティアライメントアプローチである。
論文 参考訳（メタデータ） (2023-07-30T12:16:49Z) - Abnormal Event Detection via Hypergraph Contrastive Learning [54.80429341415227]
異常事象検出は多くの実アプリケーションにおいて重要な役割を果たす。
本稿では,分散異種情報ネットワークにおける異常事象検出問題について検討する。
AEHCLと呼ばれる新しいハイパーグラフコントラスト学習法が,異常事象のパターンをフルに捉えるために提案されている。
論文 参考訳（メタデータ） (2023-04-02T08:23:20Z) - Exposing and Addressing Cross-Task Inconsistency in Unified
Vision-Language Models [80.23791222509644]
一貫性のないAIモデルは、人間のユーザーによって不安定で信頼できないと見なされている。
最先端のビジョン言語モデルは、タスク間の驚くほど高い一貫性のない振る舞いに悩まされている。
本稿では,大規模で自動生成されるクロスタスクコントラスト集合上で計算されたランク相関に基づく補助訓練目標を提案する。
論文 参考訳（メタデータ） (2023-03-28T16:57:12Z) - Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。
我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。
本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2022-05-16T07:53:42Z) - Deep Federated Anomaly Detection for Multivariate Time Series Data [93.08977495974978]
本稿では,Fed-ExDNN(Federated Exemplar-based Deep Neural Network)を用いて,異なるエッジデバイス上での多変量時系列データの異常検出を行う。
ExDNNとFed-ExDNNは、最先端の異常検出アルゴリズムやフェデレーション学習技術より優れていることを示す。
論文 参考訳（メタデータ） (2022-05-09T05:06:58Z) - Forecast-based Multi-aspect Framework for Multivariate Time-series
Anomaly Detection [35.5539484341082]
本稿では、FMUAD - Forecastベースのマルチアスペクト、教師なし異常検出フレームワークを提案する。
独立モジュールとの空間的変化、時間的変化、相関変化といった、異常なタイプの特徴をキャプチャする。
実験では、他の最先端の予測に基づく異常検出装置よりも一貫して優れていることが示された。
論文 参考訳（メタデータ） (2022-01-13T05:12:09Z)
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。