論文の概要: Anomaly Detection for Non-stationary Time Series using Recurrent Wavelet Probabilistic Neural Network

• arxiv url: http://arxiv.org/abs/2505.11321v1
• Date: Fri, 16 May 2025 14:43:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:15.362813
• Title: Anomaly Detection for Non-stationary Time Series using Recurrent Wavelet Probabilistic Neural Network
• Title（参考訳）: リカレントウェーブレット確率型ニューラルネットワークによる非定常時系列の異常検出
• Authors: Pu Yang, J. A. Barria,
• Abstract要約: 教師なしリカレントウェーブレット確率ニューラルネットワーク(RWPNN)を提案する。 非定常環境における異常を検出することを目的として,非密度推定ネットワークを用いて時間的特徴をモデル化する。
• 参考スコア（独自算出の注目度）: 0.36832029288386137
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, an unsupervised Recurrent Wavelet Probabilistic Neural Network (RWPNN) is proposed, which aims at detecting anomalies in non-stationary environments by modelling the temporal features using a nonparametric density estimation network. The novel framework consists of two components, a Stacked Recurrent Encoder-Decoder (SREnc-Dec) module that captures temporal features in a latent space, and a Multi-Receptive-field Wavelet Probabilistic Network (MRWPN) that creates an ensemble probabilistic model to characterise the latent space. This formulation extends the standard wavelet probabilistic networks to wavelet deep probabilistic networks, which can handle higher data dimensionality. The MRWPN module can adapt to different rates of data variation in different datasets without imposing strong distribution assumptions, resulting in a more robust and accurate detection for Time Series Anomaly Detection (TSAD) tasks in the non-stationary environment. We carry out the assessment on 45 real-world time series datasets from various domains, verify the performance of RWPNN in TSAD tasks with several constraints, and show its ability to provide early warnings for anomalous events.
• Abstract（参考訳）: 本稿では、非パラメトリック密度推定ネットワークを用いて時間的特徴をモデル化することにより、非定常環境における異常を検出することを目的とした、教師なしリカレントウェーブレット確率ニューラルネットワーク(RWPNN)を提案する。 新たなフレームワークは2つのコンポーネントで構成されており、遅延空間の時間的特徴をキャプチャするStacked Recurrent Encoder-Decoder (SREnc-Dec) モジュールと、遅延空間を特徴付けるアンサンブル確率モデルを生成するMulti-Receptive-field Wavelet Probabilistic Network (MRWPN) である。 この定式化により、標準的なウェーブレット確率ネットワークをウェーブレットの深い確率ネットワークに拡張し、より高いデータ次元を扱うことができる。 MRWPNモジュールは、強い分布仮定を課すことなく、異なるデータセットにおける異なるデータの変動率に適応できるため、非定常環境での時系列異常検出(TSAD)タスクをより堅牢かつ正確に検出することができる。 各種ドメインからの45の時系列データセットの評価を行い、TSADタスクにおけるRWPNNの性能をいくつかの制約で検証し、異常事象の早期警告を行う能力を示す。

関連論文リスト

• A Novel Spatiotemporal Correlation Anomaly Detection Method Based on Time-Frequency-Domain Feature Fusion and a Dynamic Graph Neural Network in Wireless Sensor Network [9.031267813814118]
  アテンションベースのトランスフォーマーは、長期依存を捕捉する能力により、無線センサネットワーク(WSN)のタイミング異常検出において重要な役割を担っている。 本稿では,周波数領域の特徴を動的グラフニューラルネットワーク(GNN)と統合したWSN異常検出手法を提案する。
  論文  参考訳（メタデータ） (2025-02-25T04:34:18Z)
• Time-Parameterized Convolutional Neural Networks for Irregularly Sampled Time Series [26.77596449192451]
  不規則にサンプリングされた時系列は、いくつかのアプリケーション領域でユビキタスであり、スパースであり、完全に観測されていない、非整合的な観察に繋がる。 標準シーケンシャルニューラルネットワーク(RNN)と畳み込みニューラルネットワーク(CNN)は、観測時間間の定期的な間隔を考慮し、不規則な時系列モデリングに重大な課題を提起する。 時間的に不規則なカーネルを用いて畳み込み層をパラメータ化する。
  論文  参考訳（メタデータ） (2023-08-06T21:10:30Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Leveraging a Probabilistic PCA Model to Understand the Multivariate Statistical Network Monitoring Framework for Network Security Anomaly Detection [64.1680666036655]
  確率的生成モデルの観点からPCAに基づく異常検出手法を再検討する。 2つの異なるデータセットを用いて数学的モデルを評価した。
  論文  参考訳（メタデータ） (2023-02-02T13:41:18Z)
• 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)
• Stacked Residuals of Dynamic Layers for Time Series Anomaly Detection [0.0]
  多変量時系列における異常検出を行うために,終端から終端までの微分可能なニューラルネットワークアーキテクチャを提案する。 このアーキテクチャは、信号の線形予測可能なコンポーネントを分離するために設計された動的システムのカスケードである。 異常検出器は、予測残差の時間的構造を利用して、孤立した点異常とセットポイントの変化の両方を検出する。
  論文  参考訳（メタデータ） (2022-02-25T01:50:22Z)
• Robust Audio Anomaly Detection [10.75127981612396]
  提案されたアプローチは、トレーニングデータセットにラベル付き異常が存在することを前提としません。 時間力学は、注意機構を付加した繰り返し層を用いてモデル化される。 ネットワークの出力は、外向きの頑健な確率密度関数である。
  論文  参考訳（メタデータ） (2022-02-03T17:19:42Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)
• A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
  イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。 基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T23:10:50Z)

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。