## Memo - KDDのAIOps時系列解析のチュートリアルセッション - [Robust Time Series Analysis and Applications An Industrial Perspective | KDD 2022 Tutorial Qingsong Wen, Linxiao Yang, Tian Zhou, and Liang Sun](https://qingsongedu.github.io/timeseries-tutorial-kdd-2022/) - スライド：[timeseries-tutorial-kdd-2022/KDD22_Tutorial_Robust TS_Final.pdf at main · qingsongedu/timeseries-tutorial-kdd-2022 · GitHub](https://github.com/qingsongedu/timeseries-tutorial-kdd-2022/blob/main/files/KDD22_Tutorial_Robust%20TS_Final.pdf) ## Abstract [[時系列解析]]は、クラウドコンピューティングにおけるIT運用のための人工知能（[[AIOps]]）、EコマースにおけるAIを活用したビジネスインテリジェンス（BI）、モノの人工知能（AIoT）など、様々な領域でユビキタスかつ重要視されている。実世界のシナリオでは、時系列データはトレンド、シーソナリティ、アウトライヤー、ノイズなどの複雑なパターンを示すことが多い。また、より多くの時系列データが収集・蓄積される中、膨大な量のデータをいかに効率的に取り扱うかが、多くのアプリケーションで重要な課題となっています。このような課題は、予測、異常検知、故障原因の特定など、様々なタスクに存在することに注目したい。したがって、実世界のシナリオにおける上記のような困難なパターンやノイズに対応できるロバストな、異なるタスクのための効果的かつ効率的な時系列モデルをいかに設計するかは、理論的にも実践的にも大きな関心事である。本チュートリアルでは、伝統的な統計手法から最新のディープラーニングに基づく手法まで、ロバスト時系列解析の最先端のアルゴリズムについて、包括的かつ体系的に解説する。また、時系列アルゴリズムの原理を紹介するだけでなく、実際の産業界における実用的なアプリケーションに効果的に適用する方法についての知見も提供する予定である。具体的には、チュートリアルをボトムアップのフレームワークで構成します。まず、ロバスト統計、信号処理、最適化、深層学習などの異なる分野からの前置きを紹介します。次に、周期性検出、トレンドフィルタリング、季節-トレンド分解、時系列の類似性など、ロバスト時系列分析で最も頻繁に処理されるブロックを特定し、議論する。最後に、予測、異常検出、故障原因の特定、オートスケーリングなどの複数の時系列タスクにおける最近の進歩、および産業界の視点からの大規模時系列アプリケーションの実践的な教訓について議論する。