Time Series Anomaly Detection using Diffusion-based Models

要約

拡散モデルは最近、画像の異常検出 (AD) に使用されています。
この論文では、多変量時系列 (MTS) 上の AD にもそれらを活用できるかどうかを調査します。
2 つの拡散ベースのモデルをテストし、それらをいくつかの強力な神経ベースラインと比較します。
また、検出閾値と正しく検出された点の比率 K の両方に依存しない ROCK-AUC メトリックを計算することにより、PA%K プロトコルを拡張します。
私たちのモデルは合成データセットのベースラインを上回り、実世界のデータセットと競合しており、多変量時系列における AD に対する拡散ベースの手法の可能性を示しています。

要約(オリジナル)

Diffusion models have been recently used for anomaly detection (AD) in images. In this paper we investigate whether they can also be leveraged for AD on multivariate time series (MTS). We test two diffusion-based models and compare them to several strong neural baselines. We also extend the PA%K protocol, by computing a ROCK-AUC metric, which is agnostic to both the detection threshold and the ratio K of correctly detected points. Our models outperform the baselines on synthetic datasets and are competitive on real-world datasets, illustrating the potential of diffusion-based methods for AD in multivariate time series.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google