文献

J-GLOBAL ID：201902281498501990   整理番号：19A2472481

DLSTM:遅延予測による深層学習を用いた異常検出のための新しいアプローチ【JST・京大機械翻訳】

dLSTM: a new approach for anomaly detection using deep learning with delayed prediction

著者 (3件)： Maya Shigeru (System Engineering Lab., Corporate Research & Development Center, Toshiba Corporation, Kawasaki-shi, Japan) ,  Ueno Ken (System Engineering Lab., Corporate Research & Development Center, Toshiba Corporation, Kawasaki-shi, Japan) ,  Nishikawa Takeichiro (System Engineering Lab., Corporate Research & Development Center, Toshiba Corporation, Kawasaki-shi, Japan)
資料名： International Journal of Data Science and Analytics  (International Journal of Data Science and Analytics)
巻： 8  号： 2  ページ： 137-164  発行年： 2019年 
JST資料番号： W4462A  ISSN： 2364-415X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 本論文では,時系列データのための異常検出法である遅延Long Short-Tem Memory(dLSTM)を提案した。最初に,正規(非異常)訓練データから予測モデルを構築し,次に,観測データに対する予測誤差に基づいて異常検出を行った。しかし,正常データの波形には複数の状態があり,予測精度が低い可能性がある。この問題を扱うために,異常検出のためのLSTMに基づく多重予測モデルを利用した。この方式では,予測精度は複数の可能なモデルから適切な予測モデルを選択する方法に強く依存する。異常検出のための適切な予測モデルを決定する新しい方法を提案した。著者らのアプローチは,事前に複数の予測値候補を提供し,測定値に最も近いものを選択する。対応する測定値が得られるまでモデル選択を遅らせる。異常検出のためにこの概念を用いて,dLSTMは予測精度を強化するための適切な予測モデルを選択する。実データと人工データを用いた実験評価において,dLSTMは比較における方法よりも正確に異常を検出する。Copyright 2019 The Author(s) Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *予測 ,  予測モデル ,  予測誤差 ,  多重化 ,  モデル
準シソーラス用語： 実験評価 ,  モデル選択 ,  予測値 ,  予測精度 ,  訓練データ ,  時系列データ ,  *異常検出 ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (4件)： 異常検出 ,  深層学習 ,  LSTM ,  時系列データ

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： 遅延 ,  予測 ,  深層学習 ,  異常検出