論文の概要: A Hybrid Anomaly Detection Method for Multivariate Time Series

• arxiv url: http://arxiv.org/abs/2611.01661v1
• Date: Sun, 01 Nov 2026 07:14:37 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:12:43.167105
• Title: A Hybrid Anomaly Detection Method for Multivariate Time Series
• Title（参考訳）: 多変量時系列のハイブリッド異常検出法
• Abstract要約: 本稿では,ハイブリッドなディープラーニングに基づく異常検出手法を提案する。 可変オートエンコーダにおける2次元畳み込みネットワークの特徴抽出機能を利用する。
• 参考スコア（独自算出の注目度）: 11.400977405093656
• License:
• Abstract: Multivariate time series are ubiquitous in monitoring smart systems such as power plants, smart houses, and servers. These systems use multiple sensors to collect the system's status over time. Those sensors represent the status of the whole system as one entity. Anomaly detection in such smart systems is of critical importance to prevent system failure and maintain functionality. But anomaly detection in such multivariate time series data is very challenging since this type of data includes both temporal and spatial information. Capturing both of these pieces of information is important to detect anomalies. In this paper, we propose a hybrid deep learning-based anomaly detection method, which captures both temporal and spatial information. We propose to take advantage of the feature extraction capabilities of 2d convolutional network in a variational autoencoder, alongside a prediction-based deep neural network of 2d convolutional networks and a gated recurrent unit network to capture both spatial and temporal information. Experiments on public data against state-of-the-art show the potential of our method.
• Abstract（参考訳）: 多変量時系列は、発電所、スマートハウス、サーバーなどのスマートシステムの監視においてユビキタスである。 これらのシステムは複数のセンサーを使用して、時間とともにシステムの状態を収集する。 これらのセンサーは、システム全体のステータスを1つのエンティティとして表現する。 このようなスマートシステムにおける異常検出は、システム障害の防止と機能維持に重要である。 しかし、このような多変量時系列データの異常検出は、時間情報と空間情報の両方を含むため、非常に困難である。 これらの情報の両方を捕捉することは異常を検出するのに重要である。 本稿では,時間情報と空間情報の両方をキャプチャするハイブリッドな深層学習に基づく異常検出手法を提案する。 本稿では,2次元畳み込みネットワークの予測に基づく深部ニューラルネットワークと,時空間情報と時空間情報の両方をキャプチャするゲート再帰ユニットネットワークとともに,変分オートエンコーダにおける2次元畳み込みネットワークの特徴抽出機能を活用することを提案する。 最先端技術に対する公開データ実験は,本手法の可能性を示している。

関連論文リスト

• Cyber-Resilient System Identification for Power Grid through Bayesian Integration [49.3054872760439]
  電力網は、ますます進化し続けるサイバー脅威の状況下で、リアルタイムな状況認識を必要としている。 この研究は、スナップショットベースの手法とベイジアン統合による時系列モデルを組み合わせたシステム識別を進歩させる。
  論文  参考訳（メタデータ） (2025-10-15T19:32:09Z)
• 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)
• Video Anomaly Detection using GAN [0.0]
  この論文は、このユースケースに対する解決策を提供することを目的としており、監視システム記録の異常な活動に目を通すために人的資源が不要になるようにする。 我々は,新しいGANに基づく異常検出モデルを開発した。
  論文  参考訳（メタデータ） (2023-11-23T16:41:30Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Federated Variational Learning for Anomaly Detection in Multivariate Time Series [13.328883578980237]
  本稿では,非教師付き時系列異常検出フレームワークを提案する。 我々は,畳み込みGated Recurrent Unit(ConvGRU)モデルに基づいて,共有変分オートエンコーダ(VAE)を学習するために,エッジに分散したトレーニングデータを残しておく。 3つの実世界のネットワークセンサーデータセットの実験は、他の最先端モデルに対する我々のアプローチの利点を示しています。
  論文  参考訳（メタデータ） (2021-08-18T22:23:15Z)
• Unsupervised Deep Anomaly Detection for Multi-Sensor Time-Series Signals [10.866594993485226]
  本稿では,Deep Convolutional Autoencoding Memory Network (CAE-M) という,ディープラーニングに基づく新しい異常検出アルゴリズムを提案する。 我々はまず,最大平均離散値(MMD)を用いたマルチセンサデータの空間依存性を特徴付けるディープ畳み込みオートエンコーダを構築する。 そして,線形(自己回帰モデル)と非線形予測(注意を伴う大規模LSTM)からなるメモリネットワークを構築し,時系列データから時間依存性を捉える。
  論文  参考訳（メタデータ） (2021-07-27T06:48:20Z)
• Learning Graph Structures with Transformer for Multivariate Time Series Anomaly Detection in IoT [11.480824844205864]
  本研究は,グラフ構造とグラフ畳み込みを自動的に学習することにより,多変量時系列異常検出のための新しいフレームワークGTAを提案する。 また,グラフノード間の異常情報フローをモデル化するために,影響伝播畳み込みという新しいグラフ畳み込みを考案した。 4つの公開異常検出ベンチマークの実験は、我々のアプローチが他の最先端技術よりも優れていることをさらに証明している。
  論文  参考訳（メタデータ） (2021-04-08T01:45:28Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
  DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。 深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。 このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
  論文  参考訳（メタデータ） (2020-10-29T08:27:43Z)
• Anomaly Detection using Deep Autoencoders for in-situ Wastewater Systems Monitoring Data [0.0]
  本稿では, 深部自動エンコーダを用いた廃棄物システム監視データの異常検出手法を提案する。 そして、復号ステージの復元誤差に基づいて異常検出を行う。
  論文  参考訳（メタデータ） (2020-02-07T09:53:46Z)

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。