Скачать с ютуб [Open DMQA Seminar] Anomaly Detection for Time Series with Autoencoder в хорошем качестве

[Open DMQA Seminar] Anomaly Detection for Time Series with Autoencoder

산업에서 사용하는 데이터 중 상당 부분은 시계열( time series) 데이터이다. 오래전부터 시계열 데이터를 이용하여 이상치를 탐지하는 통계적, 예측적 연구가 수행되어 왔다. 하지만 산업이 발달함에 따라 상호 연결된 장치가 증가하고 데이터의 복잡도도 증가하여, 이상치 식별은 더욱 어려워지고 있다. 최근 시계열 데이터에 대한 이상치 탐지 분야에서 autoencoder 기반의 딥러닝 모델들이 제안되면서 이러한 어려움을 해결하고, 높은 정확도를 달성하고 있다. 본 세미나에서는 시계열 데이터에서 발생할 수 있는 이상 유형을 살펴보고, autoencoder를 이용하여 시계열 데이터의 이상 감지 문제를 해결하고자한 연구 사례를 소개한다. 참고 문헌 : 1. Malhotra, P., Ramakrishnan, A., Anand, G., Vig, L., Agarwal, P., & Shroff, G. (2016). LSTM-based encoder-decoder for multi-sensor anomaly detection. arXiv preprint arXiv:1607.00148. 2. Kieu, T., Yang, B., Guo, C., & Jensen, C. S. (2019, August). Outlier Detection for Time Series with Recurrent Autoencoder Ensembles. In IJCAI (pp. 2725-2732). 3. Audibert, J., Michiardi, P., Guyard, F., Marti, S., & Zuluaga, M. A. (2020, August). USAD: unsupervised anomaly detection on multivariate time series. In Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (pp. 3395-3404). 4. Lai, K. H., Zha, D., Xu, J., Zhao, Y., Wang, G., & Hu, X. (2021, June). Revisiting time series outlier detection: Definitions and benchmarks. In Thirty-fifth Conference on Neural Information Processing Systems Datasets and Benchmarks Track (Round 1). 5. Cook, A. A., Mısırlı, G., & Fan, Z. (2019). Anomaly detection for IoT time-series data: A survey. IEEE Internet of Things Journal, 7(7), 6481-6494.