CL-TAD : A Novel Contrastive Learning-based Model for Time series Anomaly Detection
저자
발행사항
청주 : 충북대학교, 2023
학위논문사항
학위논문(박사)-- 충북대학교 : 컴퓨터과학과 2023. 8
발행연도
2023
작성언어
영어
주제어
KDC
005.74 판사항(5)
발행국(도시)
충청북도
기타서명
CL-TAD: 시계열 이상치검증을 위한 대조학습 기반 모델
형태사항
xiv, 126 p. : 삽화, 표 ; 26 cm
일반주기명
충북대학교 논문은 저작권에 의해 보호됩니다
지도교수: 이건명(Keon Myung Lee)
참고문헌 : p.117-126
UCI식별코드
I804:43009-000000058944
소장기관
이상 탐지는 최근 몇 년 동안 상당한 관심을 받아왔지만, 시계열 도메인에서의 이상 탐지는 시간적 동태, 레이블 부족 및 실제 응용 프로그램에서의 데이터 다양성으로 인해 여전히 도전적입니다. 이러한 도전에 대응하기 위해, 우리는 CL-TAD라는 새로운 대조 학습 기반 시계열 데이터 이상 탐지 모델을 제안합니다. 재구성 학습 기법과 대조 학습 방법의 성공을 영감으로 한 우리의 모델은 시계열 이상 탐지를 위해 이러한 접근법을 활용하고자 합니다. CL-TAD는 두 가지 주요 구성 요소로 이루어져 있습니다: 양성 샘플 생성 및 대조 학습. 첫 번째 구성 요소는 마스킹된 샘플에서 원래 데이터를 재구성함으로써 양성 샘플을 생성합니다. 이러한 양성 샘플은 원래 데이터와 함께 두 번째 구성 요소에 입력으로 사용되며, 대조 학습을 사용하여 이상을 탐지합니다. 벤치마크 데이터셋에서의 실험 결과는 우리가 제안한 솔루션이 다양한 응용 분야의 여섯 개의 데이터셋에서 최첨단 성능을 달성한다는 것을 보여줍니다. 게다가 우리의 모델은 훈련 데이터가 제한된 상황에서도 우수한 성능을 발휘합니다. 또한 온라인 테스트 전략을 적용함으로써, 우리의 모델은 신속한 의사 결정이 필요한 실시간 응용 프로그램에 적합합니다. 재구성 학습과 대조 학습 기법을 결합함으로써, 우리의 CL-TAD 모델은 시계열 데이터에서 이상을 효과적으로 탐지하는 유망한 솔루션을 제공하며, 정확한 결과를 제공하고 레이블 부족과 데이터 다양성으로 인한 도전에 대응합니다. 개발된 방법의 소스 코드와 훈련된 모델은 https://github.com/nguhcv/cl-tad에서 공개적으로 제공됩니다.
더보기Anomaly detection has gained significant attention in recent years, but detecting anomalies in the time-series domain remains challenging due to temporal dynamics, label scarcity, and data diversity in real-world applications. To address these challenges, we propose CL-TAD, a new contrastive learning-based model for anomaly detection in time series data. Inspired by the success of reconstruction learning techniques and contrastive learning methods, our model aims to leverage these approaches for time series anomaly detection. The CL-TAD consists of two main components: positive sample generation and contrastive learning. The first component generates positive samples by reconstructing the original data from masked samples. These positive samples, along with the original data, serve as input for the second component, which employs contrastive learning to detect anomalies. Experimental results on benchmark datasets demonstrate that our proposed solution achieves state-of-the-art performance on six datasets from various applications. Additionally, our model exhibits excellent performance even with limited training datasets. Moreover, by applying an online testing strategy, our model is well-suited for real-time applications that require quick decision-making. By combining reconstruction learning and contrastive learning techniques, our CL-TAD model offers a promising solution for effectively detecting anomalies in time series data, providing accurate results, and addressing the challenges posed by label scarcity, and the data diversity. The source code for the developed method as well as trained models has been made publicly available at https://github.com/nguhcv/cl-tad
더보기서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)