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

要約

タイトル：Deep Learningライブラリがオンライン応用可能な軽量時系列異常検出に与える影響

要約：

– 人間の介入やドメイン知識がなくてもオンライン応用可能な軽量時系列異常検出は非常に価値がある。
– 過去数年間、複数の異常検出手法が提供されたが、それらは全て1つのDeep Learningライブラリで実装されていた。
– Deep Learningライブラリの発展に伴い、異なるDeep Learningライブラリがこれらの異常検出手法にどのような影響を与えるかは不明であり、そのような評価が存在しない。
– 異常検出手法を実装するためにDeep Learningライブラリをランダムに選択することは、その手法の真のパフォーマンスを示すことができない。
– この論文では、2つの最先端の異常検出手法を3つの有名なDeep Learningライブラリで実装し、どのようにこれらの手法が3つのDeep Learningライブラリに個別に影響を受けるかを評価し、オンライン応用可能な軽量時系列異常検出にDeep Learningライブラリが与える影響を調査する。
– 4つの実世界オープンソース時系列データセットに基づく一連の実験が行われた。
– 結果はオンライン応用可能な軽量異常検出の適切なDeep Learningライブラリを選択するための良い参考になる。

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