文献

J-GLOBAL ID：202102211336459976   整理番号：21A0152907

時系列データのためのLSTM-GAN-XGBOOSTベースの異常検出アルゴリズム【JST・京大機械翻訳】

LSTM-GAN-XGBOOST Based Anomaly Detection Algorithm for Time Series Data

著者 (4件)： Xu Xin (Beihang University) ,  Zhao Hongbo (Beihang University) ,  Liu Haoqiang (Beihang University) ,  Sun Hua (Beihang University)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： PHM-2020 Jinan  ページ： 334-339  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 時系列異常検出は,Prognostic and Health Management(PHM)の重要で基本的なタスクである。従来の異常検出アルゴリズムは,非定常時系列データを扱うとき,浅い特徴の検出を達成することができるが,しかし,それらのアルゴリズムは,大規模な時系列データの深い特徴に関して異常値を検出することができなかった。本論文では,人工ニューラルネットワーク(ANNs)とアンサンブル学習(EL)の特性に基づくLSTM-GAN-XGBOOSTと名付けた新しい融合アルゴリズムを提案した。このハイブリッド手法は,時系列データの時間次元特徴を抽出するための長い短期メモリネットワーク(LSTM)を結合し,正常データの深い特徴を効果的に抽出するための生成敵対ネットワーク(GAN)と,抽出した特徴および輸出異常スコアを分類するための極端な勾配ブースティング(XGBOOST)を結合させた。さらに,最終異常結果および評価指標を得るために,LSTM-GAN-XGBOOSTに基づく試験および評価の異常検出フレームワークを提案した。提案したアルゴリズムは,時系列データの処理特徴抽出と異常検出において明白な利点を示した。実験および古典的ボール軸受時系列データセットを用いて,提案した方法の有効性およびいくつかの従来の方法に対する優位性を検証した。実験結果は,LSTM-GAN-XGBOOSTがボールベアリング時系列データセットの異常を効果的に検出することができ,従来のアルゴリズムと比較して優れた性能であるROC曲線(AUC)の下の面積に関して99.1%を達成し,時系列異常検出に対して高い有意性を有することを示した。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *アルゴリズム ,  ネットワーク ,  玉軸受 ,  ニューラルネットワーク ,  特徴抽出 ,  異常値 ,  有効性
準シソーラス用語： ROC曲線 ,  時系列データ ,  アンサンブル学習 ,  ブースティング ,  異常検出 ,  評価指標 ,  *検出アルゴリズム ,  長短期記憶 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 時系列データ ,  LSTM ,  GaN ,  検出アルゴリズム