La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

A Novel Anomaly Detection Framework Based on Model Serialization Un nouveau cadre de détection des anomalies basé sur la sérialisation des modèles

Byeongtae PARK, Dong-Kyu CHAE

  • Vues en texte intégral

    0

  • Citer

Résumé:

Récemment, des données de séries chronologiques multivariées ont été générées dans divers environnements, tels que les réseaux de capteurs et l'IoT, faisant de la détection des anomalies dans les données de séries chronologiques un sujet de recherche essentiel. Les détecteurs d'anomalies d'apprentissage non supervisé identifient les anomalies en entraînant un modèle sur des données normales et en produisant des résidus élevés pour les observations anormales. Cependant, un problème fondamental se pose car les anomalies n'entraînent pas systématiquement des résidus élevés, ce qui nécessite de se concentrer sur le modèles de séries chronologiques de résidus plutôt que des tailles résiduelles individuelles. Dans cet article, nous présentons un nouveau cadre comprenant deux détecteurs d'anomalies sérialisés: le premier modèle calcule les résidus comme d'habitude, tandis que le second évalue les modèle de série chronologique des résidus calculés pour déterminer s’ils sont normaux ou anormaux. Les expériences menées sur des données de séries chronologiques réelles démontrent l'efficacité du cadre proposé.

Publication
IEICE TRANSACTIONS on Information Vol.E107-D No.3 pp.420-423
Date de publication
2024/03/01
Publicisé
2023/11/21
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2023EDL8024
Type de manuscrit
LETTER
Catégories
Intelligence artificielle, exploration de données

Auteurs

Byeongtae PARK
  Hanyang University
Dong-Kyu CHAE
  Hanyang University

Mots-clés

Table des matières