論文の概要: Real-Time Decorrelation-Based Anomaly Detection for Multivariate Time Series

• arxiv url: http://arxiv.org/abs/2507.07559v1
• Date: Thu, 10 Jul 2025 08:56:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.334221
• Title: Real-Time Decorrelation-Based Anomaly Detection for Multivariate Time Series
• Title（参考訳）: 多変量時系列のリアルタイムデコレーションに基づく異常検出
• Authors: Amirhossein Sadough, Mahyar Shahsavari, Mark Wijtvliet, Marcel van Gerven,
• Abstract要約: 異常検出は、様々な現実世界の領域で重要な役割を果たす。 リアルタイムADの需要は、(産業用)モノのインターネット(Internet of Things)の台頭とともに急増している。 本稿では,新しいリアルタイムデコリレーションに基づく異常検出手法であるDADを提案する。
• 参考スコア（独自算出の注目度）: 1.4472678336151885
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Anomaly detection (AD) plays a vital role across a wide range of real-world domains by identifying data instances that deviate from expected patterns, potentially signaling critical events such as system failures, fraudulent activities, or rare medical conditions. The demand for real-time AD has surged with the rise of the (Industrial) Internet of Things, where massive volumes of multivariate sensor data must be processed instantaneously. Real-time AD requires methods that not only handle high-dimensional streaming data but also operate in a single-pass manner, without the burden of storing historical instances, thereby ensuring minimal memory usage and fast decision-making. We propose DAD, a novel real-time decorrelation-based anomaly detection method for multivariate time series, based on an online decorrelation learning approach. Unlike traditional proximity-based or reconstruction-based detectors that process entire data or windowed instances, DAD dynamically learns and monitors the correlation structure of data sample by sample in a single pass, enabling efficient and effective detection. To support more realistic benchmarking practices, we also introduce a practical hyperparameter tuning strategy tailored for real-time anomaly detection scenarios. Extensive experiments on widely used benchmark datasets demonstrate that DAD achieves the most consistent and superior performance across diverse anomaly types compared to state-of-the-art methods. Crucially, its robustness to increasing dimensionality makes it particularly well-suited for real-time, high-dimensional data streams. Ultimately, DAD not only strikes an optimal balance between detection efficacy and computational efficiency but also sets a new standard for real-time, memory-constrained anomaly detection.
• Abstract（参考訳）: 異常検出(AD)は、期待されるパターンから逸脱するデータインスタンスを特定し、システム障害、不正行為、希少な医療状況などの重要な事象を知らせることによって、幅広い現実世界領域で重要な役割を果たす。 リアルタイムADの需要は、大量の多変量センサーデータを瞬時に処理しなければならない(産業用)モノのインターネット(Internet of Things)の台頭とともに急増している。 リアルタイムADは、高次元のストリーミングデータを扱うだけでなく、履歴インスタンスを格納する手間を省き、単一のパスで操作する手法を必要とする。 オンラインデコリレーション学習手法に基づく多変量時系列の新しいリアルタイムデコリレーションに基づく異常検出手法であるDADを提案する。 データ全体やウィンドウ化されたインスタンスを処理する従来の近接ベースや再構成ベースの検出器とは異なり、DADは動的にデータサンプルの相関構造を単一のパスで学習し、監視し、効率的かつ効果的な検出を可能にする。 より現実的なベンチマークプラクティスをサポートするために,リアルタイムな異常検出シナリオに適した,実用的なハイパーパラメータチューニング戦略を導入する。 広く使用されているベンチマークデータセットに対する大規模な実験は、DADが最先端の手法と比較して、様々な異常なタイプで最も一貫性があり、優れたパフォーマンスを達成していることを示している。 重要なことに、その次元性の増加に対するロバスト性は、特にリアルタイムで高次元のデータストリームに適している。 最終的に、DADは検出効率と計算効率の最適なバランスを取るだけでなく、リアルタイム、メモリ制限された異常検出のための新しい標準も設定する。

関連論文リスト

• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Anomalous Change Point Detection Using Probabilistic Predictive Coding [13.719066883151623]
  確率予測符号化 (Probabilistic Predictive Coding, PPC) と呼ばれる深層学習に基づく CPD/AD 手法を提案する。 PPCは、連続したデータを低次元の潜在空間表現にエンコードし、その後のデータ表現とそれに対応する予測不確かさを予測することを共同で学習する。 本研究では, 合成時系列実験, 画像データ, 実世界の磁気共鳴分光画像データにまたがって提案手法の有効性と適応性を示す。
  論文  参考訳（メタデータ） (2024-05-24T17:17:34Z)
• 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)
• ImDiffusion: Imputed Diffusion Models for Multivariate Time Series Anomaly Detection [44.21198064126152]
  我々はImDiffusionという新しい異常検出フレームワークを提案する。 ImDiffusionは時系列計算と拡散モデルを組み合わせて、正確で堅牢な異常検出を実現する。 我々はImDiffusionの性能をベンチマークデータセットの広範な実験により評価する。
  論文  参考訳（メタデータ） (2023-07-03T04:57:40Z)
• 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)
• Time-Series Anomaly Detection with Implicit Neural Representation [0.38073142980733]
  Inlicit Neural Representation-based Anomaly Detection (INRAD)を提案する。 入力に時間がかかり、その時点で対応する値を出力する単純な多層パーセプトロンを訓練する。 そして,その表現誤りを異常検出のための異常スコアとして利用する。
  論文  参考訳（メタデータ） (2022-01-28T06:17:24Z)
• TranAD: Deep Transformer Networks for Anomaly Detection in Multivariate Time Series Data [13.864161788250856]
  TranADはディープトランスネットワークに基づく異常検出および診断モデルである。 注意に基づくシーケンスエンコーダを使用して、データ内のより広い時間的傾向の知識を迅速に推論する。 TranADは、データと時間効率のトレーニングによる検出と診断のパフォーマンスにおいて、最先端のベースラインメソッドよりも優れています。
  論文  参考訳（メタデータ） (2022-01-18T19:41:29Z)
• 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)
• 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。