論文の概要: Cluster-Aware Causal Mixer for Online Anomaly Detection in Multivariate Time Series

• arxiv url: http://arxiv.org/abs/2506.00188v1
• Date: Fri, 30 May 2025 19:56:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:32.488495
• Title: Cluster-Aware Causal Mixer for Online Anomaly Detection in Multivariate Time Series
• Title（参考訳）: 多変量時系列におけるオンライン異常検出のためのクラスタ対応因果混合器
• Authors: Md Mahmuddun Nabi Murad, Yasin Yilmaz,
• Abstract要約: 誤検出や誤検出に関連する重大なリスクを考えると、時系列データの異常の検出は極めて重要である。 時系列中の異常を効果的に検出するクラスタ対応因果混合器を提案する。 本稿では,偽陽性を防止すべく,異常証拠を蓄積する異常検出フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 21.822977353368785
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early and accurate detection of anomalies in time series data is critical, given the significant risks associated with false or missed detections. While MLP-based mixer models have shown promise in time series analysis, they lack a causality mechanism to preserve temporal dependencies inherent in the system. Moreover, real-world multivariate time series often contain numerous channels with diverse inter-channel correlations. A single embedding mechanism for all channels does not effectively capture these complex relationships. To address these challenges, we propose a novel cluster-aware causal mixer to effectively detect anomalies in multivariate time series. Our model groups channels into clusters based on their correlations, with each cluster processed through a dedicated embedding layer. In addition, we introduce a causal mixer in our model, which mixes the information while maintaining causality. Furthermore, we present an anomaly detection framework that accumulates the anomaly evidence over time to prevent false positives due to nominal outliers. Our proposed model operates in an online fashion, making it suitable for real-time time-series anomaly detection tasks. Experimental evaluations across six public benchmark datasets demonstrate that our model consistently achieves superior F1 scores.
• Abstract（参考訳）: 誤検出や誤検出に関連する重大なリスクを考えると、時系列データにおける異常の早期かつ正確な検出は極めて重要である。 MLPベースのミキサーモデルは時系列解析において有望であることを示しているが、システム固有の時間的依存関係を保存するための因果メカニズムは欠如している。 さらに、実世界の多変量時系列は、様々なチャネル間相関を持つ多数のチャネルを含むことが多い。 すべてのチャネルに対する単一の埋め込み機構は、これらの複雑な関係を効果的に捉えない。 これらの課題に対処するために,多変量時系列における異常を効果的に検出するクラスタ対応因果混合器を提案する。 私たちのモデルでは、それぞれのクラスタが専用の埋め込み層を通して処理されるように、相関に基づいてチャネルをクラスタにグループ化しています。 さらに,本モデルでは因果ミキサーを導入し,因果関係を維持しながら情報を混合する。 さらに,異常検出フレームワークを時間とともに蓄積し,名目異常による偽陽性を防止する。 提案手法はオンライン方式で動作し,リアルタイムな時系列異常検出タスクに適合する。 6つの公開ベンチマークデータセットの実験的評価は、我々のモデルが常に優れたF1スコアを達成していることを示している。

関連論文リスト

• Multivariate Time Series Anomaly Detection by Capturing Coarse-Grained Intra- and Inter-Variate Dependencies [14.784236273395017]
  我々は,新しい半教師付き多変量時系列異常検出手法であるMuntsCIDを紹介する。 MtsCID は最先端のベンチマーク手法に匹敵する性能または優れた性能を達成できることを示す。
  論文  参考訳（メタデータ） (2025-01-22T05:53:12Z)
• 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)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• An Evaluation of Anomaly Detection and Diagnosis in Multivariate Time Series [7.675917669905486]
  本稿では,異常検出・診断のための教師なし・半教師付き深層学習手法の体系的・包括的評価について述べる。 我々は、10のモデルと4のスコアリング関数のグリッドを通して、モデルエラーのモデルと後処理を変え、これらの変種を最先端の手法と比較する。 既存の評価指標は、事象を考慮に入れていないか、良い検知器と自明な検出器を区別できないかのどちらかである。
  論文  参考訳（メタデータ） (2021-09-23T15:14:24Z)
• HIFI: Anomaly Detection for Multivariate Time Series with High-order Feature Interactions [7.016615391171876]
  HIFIは自動的に多変量特徴相互作用グラフを構築し、グラフ畳み込みニューラルネットワークを使用して高次特徴相互作用を実現する。 3つの公開データセットの実験は、最先端のアプローチと比較して、我々のフレームワークの優位性を示している。
  論文  参考訳（メタデータ） (2021-06-11T04:57:03Z)
• 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。