Impact of Deep Learning Libraries on Online Adaptive Lightweight Time Series Anomaly Detection

要約

【タイトル】ディープラーニングライブラリがオンライン適応型タイムシリーズ異常検知に及ぼす影響

【要約】
– ドメイン知識や人間の介入なしで、オンライン適応型の軽量なタイムシリーズ異常検知システムを提供することは非常に価値がある
– 数多くの異常検知手法が紹介されているが、過去のアプローチはすべて一つのディープラーニングライブラリでしか実装されていない
– ディープラーニングライブラリの開発に伴い、異常検知アプローチに対してどのような影響を与えるかは不明であり、評価も利用可能ではない
– ランダムにディープラーニングライブラリを選択して異常検知アプローチを実装することは、そのアプローチの真のパフォーマンスを示すことができない可能性がある
– 本研究では、2つの最先端の異常検知アプローチを3つの有名なディープラーニングライブラリで実装し、これらのアプローチが3つのディープラーニングライブラリによって個別にどのように影響を受けるかを評価し、オンライン適応型の軽量な異常検知に適切なディープラーニングライブラリを選択するための役立つ結果を提供する
– 4つの実世界のオープンソースタイムシリーズデータセットをベースに、一連の実験が行われた。

要約(オリジナル)

Providing online adaptive lightweight time series anomaly detection without human intervention and domain knowledge is highly valuable. Several such anomaly detection approaches have been introduced in the past years, but all of them were only implemented in one deep learning library. With the development of deep learning libraries, it is unclear how different deep learning libraries impact these anomaly detection approaches since there is no such evaluation available. Randomly choosing a deep learning library to implement an anomaly detection approach might not be able to show the true performance of the approach. It might also mislead users in believing one approach is better than another. Therefore, in this paper, we investigate the impact of deep learning libraries on online adaptive lightweight time series anomaly detection by implementing two state-of-the-art anomaly detection approaches in three well-known deep learning libraries and evaluating how these two approaches are individually affected by the three deep learning libraries. A series of experiments based on four real-world open-source time series datasets were conducted. The results provide a good reference to select an appropriate deep learning library for online adaptive lightweight anomaly detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI