論文の概要: Clustering-based Anomaly Detection in Multivariate Time Series Data

• arxiv url: http://arxiv.org/abs/2511.08072v1
• Date: Wed, 12 Nov 2025 01:38:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.626253
• Title: Clustering-based Anomaly Detection in Multivariate Time Series Data
• Title（参考訳）: 多変量時系列データにおけるクラスタリングに基づく異常検出
• Authors: Jinbo Li, Hesam Izakian, Witold Pedrycz, Iqbal Jamal,
• Abstract要約: 多変量時系列の振幅と形状に関する異常を検出するクラスタリングに基づく手法を提案する。 我々は、その系列で検出された異常レベルを定量化するために、信頼度指数を構築する。 提案フレームワークは, 医療, 気象データ分析, ファイナンス, 疾患発生検出など, 様々な応用領域における異常振幅および形状パターンの同定に適している。
• 参考スコア（独自算出の注目度）: 43.07173830864181
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multivariate time series data come as a collection of time series describing different aspects of a certain temporal phenomenon. Anomaly detection in this type of data constitutes a challenging problem yet with numerous applications in science and engineering because anomaly scores come from the simultaneous consideration of the temporal and variable relationships. In this paper, we propose a clustering-based approach to detect anomalies concerning the amplitude and the shape of multivariate time series. First, we use a sliding window to generate a set of multivariate subsequences and thereafter apply an extended fuzzy clustering to reveal a structure present within the generated multivariate subsequences. Finally, a reconstruction criterion is employed to reconstruct the multivariate subsequences with the optimal cluster centers and the partition matrix. We construct a confidence index to quantify a level of anomaly detected in the series and apply Particle Swarm Optimization as an optimization vehicle for the problem of anomaly detection. Experimental studies completed on several synthetic and six real-world datasets suggest that the proposed methods can detect the anomalies in multivariate time series. With the help of available clusters revealed by the extended fuzzy clustering, the proposed framework can detect anomalies in the multivariate time series and is suitable for identifying anomalous amplitude and shape patterns in various application domains such as health care, weather data analysis, finance, and disease outbreak detection.
• Abstract（参考訳）: 多変量時系列データは、ある時間現象の異なる側面を記述する時系列の集合として現れる。 このタイプのデータの異常検出は、時間的および変動的関係の同時考慮から異常スコアが生じるため、科学や工学における多くの応用において難しい問題となっている。 本稿では,多変量時系列の振幅と形状に関する異常を検出するクラスタリングに基づく手法を提案する。 まず、スライディングウィンドウを用いて、一連の多変量列を生成し、その後拡張ファジィクラスタリングを適用して、生成された多変量列内に存在する構造を明らかにする。 最後に、最適クラスタ中心と分割行列で多変量列を再構成するために再構成基準を用いる。 本研究では,本シリーズで検出された異常レベルを定量化するための信頼度指標を構築し,異常検出問題に対する最適化手段としてParticle Swarm Optimizationを適用した。 複数の合成および6つの実世界のデータセットに関する実験研究は、提案手法が多変量時系列における異常を検出することを示唆している。 拡張ファジィクラスタリングによるクラスタリングにより,多変量時系列における異常の検出が可能となり,医療,気象データ解析,ファイナンス,疫病の発生検出など,さまざまなアプリケーション領域における異常振幅と形状パターンの同定に適している。

関連論文リスト

• Benchmarking Unsupervised Strategies for Anomaly Detection in Multivariate Time Series [0.0]
  本稿では,最近提案されたiTransformerアーキテクチャに着目し,時系列異常検出のためのトランスフォーマベースアプローチについて検討する。 iTransformerの時系列異常検出への応用を探り、ウィンドウサイズ、ステップサイズ、モデル次元などの重要なパラメータがパフォーマンスに与える影響を分析し、(ii)多次元異常スコアから異常ラベルを抽出し、それらのラベルに対する適切な評価指標について議論する方法、(iii)トレーニング中に存在する異常データの影響を調査し、その影響を緩和する代替損失関数の有効性を評価し、(iv)包括的提示を行う。
  論文  参考訳（メタデータ） (2025-06-25T16:08:22Z)
• FCPCA: Fuzzy clustering of high-dimensional time series based on common principal component analysis [11.138320457692288]
  本研究は,共通主成分分析に基づくファジィクラスタリング手法を提案する。 提案手法は文献におけるいくつかの既存手法よりも優れていることを示す。 シミュレーション運転実験から記録された異なるドライバからの脳信号を含む興味深い応用は、このアプローチの可能性を示している。
  論文  参考訳（メタデータ） (2025-05-12T06:59:17Z)
• 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)
• Entropy Causal Graphs for Multivariate Time Series Anomaly Detection [7.096687136904268]
  本研究では,多変量時系列異常検出のためのエントロピー因果グラフであるCGADを提案する。 CGADは転送エントロピーを利用して時系列データ間の因果関係を明らかにするグラフ構造を構築する。 CGADは、9%の平均的な改善で、実世界のデータセット上で最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-12-15T01:35:00Z)
• 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)
• 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)

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。