論文の概要: Artificial Intelligence-Based Multiscale Temporal Modeling for Anomaly Detection in Cloud Services

• arxiv url: http://arxiv.org/abs/2508.14503v1
• Date: Wed, 20 Aug 2025 07:52:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.381887
• Title: Artificial Intelligence-Based Multiscale Temporal Modeling for Anomaly Detection in Cloud Services
• Title（参考訳）: 人工知能を用いたクラウドにおける異常検出のためのマルチスケール時間モデリング
• Authors: Lian Lian, Yilin Li, Song Han, Renzi Meng, Sibo Wang, Ming Wang,
• Abstract要約: 本研究では,マルチスケール特徴認識を統合したTransformerアーキテクチャに基づく異常検出手法を提案する。 提案手法は,精度,リコール,AUC,F1スコアなどの主要な指標において,主流のベースラインモデルより優れている。
• 参考スコア（独自算出の注目度）: 14.529534180135906
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study proposes an anomaly detection method based on the Transformer architecture with integrated multiscale feature perception, aiming to address the limitations of temporal modeling and scale-aware feature representation in cloud service environments. The method first employs an improved Transformer module to perform temporal modeling on high-dimensional monitoring data, using a self-attention mechanism to capture long-range dependencies and contextual semantics. Then, a multiscale feature construction path is introduced to extract temporal features at different granularities through downsampling and parallel encoding. An attention-weighted fusion module is designed to dynamically adjust the contribution of each scale to the final decision, enhancing the model's robustness in anomaly pattern modeling. In the input modeling stage, standardized multidimensional time series are constructed, covering core signals such as CPU utilization, memory usage, and task scheduling states, while positional encoding is used to strengthen the model's temporal awareness. A systematic experimental setup is designed to evaluate performance, including comparative experiments and hyperparameter sensitivity analysis, focusing on the impact of optimizers, learning rates, anomaly ratios, and noise levels. Experimental results show that the proposed method outperforms mainstream baseline models in key metrics, including precision, recall, AUC, and F1-score, and maintains strong stability and detection performance under various perturbation conditions, demonstrating its superior capability in complex cloud environments.
• Abstract（参考訳）: 本研究では,クラウドサービス環境における時間的モデリングとスケール・アウェアな特徴表現の限界に対処することを目的とした,マルチスケール特徴認識を統合したTransformerアーキテクチャに基づく異常検出手法を提案する。 この手法はまず改良されたTransformerモジュールを用いて高次元のモニタリングデータ上で時間的モデリングを行い、長期の依存関係とコンテキスト意味をキャプチャする自己アテンション機構を使用する。 そして、ダウンサンプリングと並列符号化により、異なる粒度の時間的特徴を抽出するために、マルチスケールの特徴構築経路を導入する。 注意重み付き融合モジュールは、各スケールの最終的な決定への貢献を動的に調整し、異常パターンモデリングにおけるモデルの堅牢性を高めるように設計されている。 入力モデリング段階では、CPU利用、メモリ使用量、タスクスケジューリング状態などのコア信号をカバーする標準化された多次元時系列を構築し、位置符号化を用いてモデルの時間的認識を強化する。 比較実験やハイパーパラメータ感度分析など,オプティマイザの影響,学習率,異常比,ノイズレベルなどに着目して,性能評価を行う。 実験結果から,提案手法は,精度,リコール,AUC,F1スコアといった主要な指標において主流のベースラインモデルよりも優れ,様々な摂動条件下での強い安定性と検出性能を維持し,複雑なクラウド環境での優れた性能を示す。

関連論文リスト

• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• Transformer-based Multivariate Time Series Anomaly Localization [5.554794295879246]
  時空間異常スコア(英: Space-Time Anomaly Score、STAS)は、変圧器の潜在表現と時空間統計モデルとの接続にインスパイアされた新しい計量である。 統計的特徴異常スコア(SFAS)は、異常に関する統計的特徴を分析してSTASを補完し、それらの組み合わせは誤報を減らすのに役立つ。 実世界の実験と合成データセットは、検出タスクとローカライゼーションタスクの両方において、最先端の手法よりもモデルの方が優れていることを示している。
  論文  参考訳（メタデータ） (2025-01-15T07:18:51Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Efficient High-Resolution Visual Representation Learning with State Space Model for Human Pose Estimation [60.80423207808076]
  高解像度の視覚表現を維持しながら長距離依存関係をキャプチャすることは、人間のポーズ推定のような密集した予測タスクに不可欠である。 マルチスケールの畳み込み操作で視覚状態空間モデルを拡張する動的ビジュアル状態空間(DVSS)ブロックを提案する。 HRVMambaは効率的な高分解能表現学習のための新しいモデルである。
  論文  参考訳（メタデータ） (2024-10-04T06:19:29Z)
• Embedded feature selection in LSTM networks with multi-objective evolutionary ensemble learning for time series forecasting [49.1574468325115]
  本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。 本手法はLSTMの重みと偏りを分割的に最適化する。 イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
  論文  参考訳（メタデータ） (2023-12-29T08:42:10Z)
• Neural Superstatistics for Bayesian Estimation of Dynamic Cognitive Models [2.7391842773173334]
  我々は,時間変化パラメータと時間不変パラメータの両方を復元できるベイズ推論のシミュレーションに基づくディープラーニング手法を開発した。 この結果から,ディープラーニングアプローチは時間的ダイナミクスを捉える上で極めて効率的であることが示唆された。
  論文  参考訳（メタデータ） (2022-11-23T17:42:53Z)
• An Attention-based ConvLSTM Autoencoder with Dynamic Thresholding for Unsupervised Anomaly Detection in Multivariate Time Series [2.9685635948299995]
  本稿では,異常検出と診断を行うための動的閾値保持(ACLAE-DT)フレームワークを用いた非教師付き注意型畳み込み長短期記憶(ConvLSTM)オートエンコーダを提案する。 フレームワークは、システムステータスを特徴付ける機能イメージを構築する前に、データの事前処理と強化から始まります。 構築した特徴画像は注意に基づくConvLSTMオートエンコーダに入力される。 その後、再構成エラーを計算し、統計に基づく動的しきい値決定機構により異常を検出し診断する。
  論文  参考訳（メタデータ） (2022-01-23T04:01:43Z)
• 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)
• A Generative Learning Approach for Spatio-temporal Modeling in Connected Vehicular Network [55.852401381113786]
  本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。 LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。 特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
  論文  参考訳（メタデータ） (2020-03-16T03:43:59Z)

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。