## Memo - Spectral Residual(SR)モデルという画像のSaliencyを表示する手法を、時系列データに対して適用し、その後1次元[[畳み込みニューラルネットワーク|CNN]]を用いて異常検知する方法を提案 - [Microsoftでの時系列データ異常検知手法の論文：「Time-Series Anomaly Detection Service at Microsoft」 | 10001 ideas](https://10001ideas.com/2019/09/21/microsoft%E3%81%A7%E3%81%AE%E6%99%82%E7%B3%BB%E5%88%97%E3%83%87%E3%83%BC%E3%82%BF%E7%95%B0%E5%B8%B8%E6%A4%9C%E7%9F%A5%E6%89%8B%E6%B3%95%E3%81%AE%E8%AB%96%E6%96%87%EF%BC%9A%E3%80%8Ctime-series-anomaly/) ## Abstract 大企業は、自社のアプリケーションやサービスの様々な指標（例えば、ページビューや収益）をリアルタイムで監視する必要があります。Microsoft では、顧客が時系列を継続的に監視し、潜在的なインシデントを適時に警告できるよう支援する時系列異常検出サービスを開発している。この論文では、私たちの異常検知サービスのパイプラインとアルゴリズムについて紹介する。このサービスは、正確で効率的かつ汎用的に設計されている。パイプラインは、データ取り込み、実験プラットフォーム、オンライン計算の3つの主要なモジュールで構成されている。時系列異常検知の問題に取り組むために、我々はスペクトル残差（SR）と畳み込みニューラルネットワーク（[[CNN]]）に基づく新しいアルゴリズムを提案する。本研究は、視覚的顕著性検出領域からSRモデルを借用し、時系列異常検出に適用した最初の試みである。さらに、SRとCNNを革新的に組み合わせることで、SRモデルの性能を向上させる。また、SRとCNNを組み合わせることで、SRモデルの性能を向上させた。我々のアプローチは、公開データセットとマイクロソフトのプロダクションデータの両方において、最先端のベースラインと比較して優れた実験結果を達成した。 ## 1. Introduction