多変量時系列異常検出のための予測ベースマルチアスペクトフレームワーク【JST・京大機械翻訳】

Wang Lan; Lin Yusan; Wu Yuhang; Chen Huiyuan; Wang Fei; Yang Hao

プレプリント

J-GLOBAL ID：202202206830043561 整理番号：22P0027029

多変量時系列異常検出のための予測ベースマルチアスペクトフレームワーク【JST・京大機械翻訳】

Forecast-based Multi-aspect Framework for Multivariate Time-series Anomaly Detection

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2022年01月13日プレプリントサーバーでの情報更新日： 2022年01月13日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

今日のサイバー世界は非常に多変量である。極端な品種で収集された計量は,異常を検出するために多変量アルゴリズムを要求する。しかし,広く証明されたアプローチとして,予測ベースのアルゴリズムは,しばしば,データセットを通して準最適または矛盾しない。重要な共通課題は,1サイズ適合であるが,異常は本質的に特徴的である。そのような識別に仕立てる方法を提案した。FMUAD,マルチアスペクト,教師なし異常検出フレームワークを提示した。FMUADは,異常タイプ-空間変化,時間的変化および相関変化の署名特性を,独立モジュールで明示的かつ別々に捉える。次に,モジュールは,カテゴリーにおけるほとんどの他のモデルとは異なり,高度に柔軟で直感的である最適特徴表現を共同学習する。大規模な実験は,著者らのFMUADフレームワークが,他の最先端の予測ベースの異常検出器を一貫して凌ぐことを示した。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

パターン認識 , 人工知能

, , ,

前のページに戻る