論文の概要: Anomaly detection by partitioning of multi-variate time series

• arxiv url: http://arxiv.org/abs/2509.25215v1
• Date: Mon, 22 Sep 2025 13:02:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 19:34:21.44823
• Title: Anomaly detection by partitioning of multi-variate time series
• Title（参考訳）: 多変量時系列の分割による異常検出
• Authors: Pierre Lotte, André Péninou, Olivier Teste,
• Abstract要約: PARADISEと呼ばれる非教師あり分割型異常検出手法を提案する。 この手法は時系列の変数を分割し、変数間の関係が未接触のままであることを保証する。 異常検出性能が大幅に向上し,本手法の有効性が示された。
• 参考スコア（独自算出の注目度）: 0.2523415604068923
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this article, we suggest a novel non-supervised partition based anomaly detection method for anomaly detection in multivariate time series called PARADISE. This methodology creates a partition of the variables of the time series while ensuring that the inter-variable relations remain untouched. This partitioning relies on the clustering of multiple correlation coefficients between variables to identify subsets of variables before executing anomaly detection algorithms locally for each of those subsets. Through multiple experimentations done on both synthetic and real datasets coming from the literature, we show the relevance of our approach with a significant improvement in anomaly detection performance.
• Abstract（参考訳）: 本稿ではPARADISEと呼ばれる多変量時系列における異常検出のための新しい非教師付き分割に基づく異常検出手法を提案する。 この方法論は時系列の変数を分割し、変数間の関係が未接触のままであることを保証する。 この分割は変数間の複数の相関係数のクラスタリングに依存し、各サブセットに対して異常検出アルゴリズムを実行する前に変数のサブセットを識別する。 文献から得られた合成データセットと実データの両方を用いて複数の実験を行った結果,本手法の有効性が明らかとなり,異常検出性能が大幅に向上した。

関連論文リスト

• Beyond Marginals: Learning Joint Spatio-Temporal Patterns for Multivariate Anomaly Detection [2.893006778402251]
  時系列データでは、関連時系列の同時ずれにより異常を示すことができる。 我々のアプローチは、潜在空間における結合依存をモデル化することでこの問題に対処する。
  論文  参考訳（メタデータ） (2025-09-18T14:57:55Z)
• Causal Discovery-Driven Change Point Detection in Time Series [32.424281626708336]
  時系列における変化点検出は、時系列の確率分布が変化する瞬間を特定することを目的としている。 実践的な応用では、時系列の特定の構成要素にのみ興味を持ち、その分布の急激な変化を探求する。
  論文  参考訳（メタデータ） (2024-07-10T00:54:42Z)
• Topological Analysis for Detecting Anomalies (TADA) in Time Series [3.040934280444531]
  提案手法は大規模データセットを扱うのに十分なリーンであり、既存の手法よりも相関構造のグローバルな変化を検出するのに適しているという直感を裏付ける広範な数値実験である。 依存時間列に基づく量子化アルゴリズムの理論的保証も提供される。
  論文  参考訳（メタデータ） (2024-06-10T11:03:40Z)
• 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)
• Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
  本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。 実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
  論文  参考訳（メタデータ） (2023-10-17T06:29:09Z)
• 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)
• Anomaly Attribution of Multivariate Time Series using Counterfactual Reasoning [7.616400192843963]
  我々は,反実的推論に基づく多変量時系列の新しい帰属スキームを開発した。 MDI(Maximally Divergent Interval)アルゴリズムを用いて異常区間を検出する。
  論文  参考訳（メタデータ） (2021-09-14T10:15:52Z)

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。