最新AI論文をキャッチアップするAI-SCHOLARへの投稿をご紹介します。
この論文は、従来の古典的、あるいは深層学習モデルではとらえ切れなかった多変量時系列に特有の３つの異状パターンを明示的に把握できるフレームワークFMUADを提案します。モジュラー構造と、簡潔さを考慮した損失関数が特徴的です。SOTAと同じ実世界データセットで比較したところ、精度とリコールがバランスよく高得点を取り、F1スコアで17%上回る結果を出しました。
AI-SCHOLAR | AI：(人工知能)論文…
実際の異状パターンに即した多変量時系列異状検知
3つの要点✔️ 従来の古典的、あるいは深層学習モデルではとらえ切れなかった多変量時系列に特有の３つの異状パターンを明示的に把握できるフレームワークFMUADを提案…
