## Memo - eBay ## Abstract eBay 社のエンジニアは、IT システムのシグナルに異常がないか監視するために、ロバストな手法を活用しています。しかし、信号の規模が体積と次元の両方で拡大しているため、従来の統計的状態空間や教師あり学習ツールは圧倒されています。そのため、教師なしディープラーニングに基づく最先端の手法が、最近の研究で求められています。しかし、それらの手法を実装する際に、部分的な監視を必要とする、高次元のデータセットに弱いなどの欠点を経験し、その理由は本論文で述べられている。我々は、大規模な多変量集合から異常値を推測するための実用的なアプローチを提案する。我々は実世界のアプリケーションにおいて、IT、天候、公共事業、交通機関などの非同期で一貫した繰り返し変動を示す時系列を豊富に観測している。私たちのソリューションは、このような挙動を活用するように設計されています。このソリューションは、事前に訓練されたオートエンコーダの潜在的な表現にスペクトル分析を利用し、信号全体の支配的な周波数を抽出する。次に、信号全体の位相シフトを学習し、生の多変量の同期表現を生成する後続のネットワークで使用される。次に、同期多変量のランダムな部分集合が、分位再構成損失を最小化するように学習するオートエンコーダの配列に供給され、多数決に基づいて異常の推定と局在化に使用される。我々はこの方法を、公共データセットとeBayのデータにおいて、参照された評価方法を用いて、最先端のアプローチと比較評価する。さらに、参照した評価手法の限界に対処し、より現実的な評価手法を提案する。 ## 1. Introduction