| Metadato | Etiqueta | Valor | Idioma |
|---|---|---|---|
| dc.contributor.author | Autor | García González, Gastón | - |
| dc.contributor.author | Autor | Casas, Pedro | - |
| dc.contributor.author | Autor | Martínez, Emilio | - |
| dc.contributor.author | Autor | Fernández, Alicia | - |
| dc.contributor.filiacion | Filiación | García González Gastón, Universidad de la República (Uruguay). Facultad de Ingeniería. | - |
| dc.contributor.filiacion | Filiación | Casas Pedro, AIT Austrian Institute of Technology | - |
| dc.contributor.filiacion | Filiación | Martínez Emilio, Universidad de la República (Uruguay). Facultad de Ingeniería. | - |
| dc.contributor.filiacion | Filiación | Fernández Alicia, Universidad de la República (Uruguay). Facultad de Ingeniería. | - |
| dc.date.accessioned | Fecha ingreso | 2025-05-02T14:42:56Z | - |
| dc.date.available | Fecha disponible | 2025-05-02T14:42:56Z | - |
| dc.date.issued | Año de publicación | 2024 | - |
| dc.description.abstract | Resumen | We investigate a novel approach to time-series modeling, inspired by the successes of large pretrained foundation models. We introduce FAE (Foundation Auto-Encoders), a foundation generative-AI model for anomaly detection in time-series data, based on Variational Auto-Encoders (VAEs). By foundation, we mean a model pretrained on massive amounts of time-series data which can learn complex temporal patterns useful for accurate modeling, forecasting, and detection of anomalies on previously unseen datasets. FAE leverages VAEs and Dilated Convolutional Neural Networks (DCNNs) to build a generic model for univariate time-series modeling, which could eventually perform properly in out-of-the-box, zero-shot anomaly detection applications. We introduce the main concepts of FAE, and present preliminary results in different multidimensional time-series datasets from various domains, including a real dataset from an operational mobile ISP, and the well known KDD 2021 Anomaly Detection dataset. | es |
| dc.description.sponsorship | Financiadores | Este trabajo ha sido financiado parcialmente por FWF Austrian Science Fund, Project I-6653 GRAPHS4SEC, the Austrian FFG ICT- of-the-Future project DynAISEC – Adaptive AI/ML for Dynamic Cybersecurity Systems – ID 887504 y por el Proyecto uruguayo CSIC con referencia CSIC-I+D-22520220100371UD Generalization and Domain Adaptation in Time-Series Anomaly Detection. | es |
| dc.format.extent | Extensión | 9 p. | es |
| dc.format.mimetype | Formato | application/pdf | es |
| dc.identifier.citation | Citación | García González, G., Casas, P., Martínez, E. y otros. Towards foundation auto-encoders for time-series anomaly detection [en línea]. EN: The 10th Mining and Learning from Time Series Workshop : From Classical Methods to LLMs (MILETS 2024), Barcelona, Spain, Aug 25th 2024, pp. 1-9. | es |
| dc.identifier.uri | URI | https://kdd-milets.github.io/milets2024/#introduction | - |
| dc.identifier.uri | URI | https://hdl.handle.net/20.500.12008/49872 | - |
| dc.language.iso | Idioma | en | es |
| dc.publisher | Editorial | MILETS | es |
| dc.relation.ispartof | EN | The 10th Mining and Learning from Time Series Workshop : From Classical Methods to LLMs (MILETS 2024), Aug 25th, 2024 - KDD 2024, Barcelona, Spain, pp. 1-9. | es |
| dc.rights | Derechos | Las obras depositadas en el Repositorio se rigen por la Ordenanza de los Derechos de la Propiedad Intelectual de la Universidad de la República.(Res. Nº 91 de C.D.C. de 8/III/1994 – D.O. 7/IV/1994) y por la Ordenanza del Repositorio Abierto de la Universidad de la República (Res. Nº 16 de C.D.C. de 07/10/2014) | es |
| dc.rights.licence | Licencia | Licencia Creative Commons Atribución - No Comercial - Sin Derivadas (CC - By-NC-ND 4.0) | es |
| dc.subject | Palabras clave | Time-Series Data | es |
| dc.subject | Palabras clave | Anomaly Detection | es |
| dc.subject | Palabras clave | VAE | es |
| dc.subject | Palabras clave | Foundation Models | es |
| dc.title | Título | Towards foundation auto-encoders for time-series anomaly detection. | es |
| dc.type | Tipo de documento | Ponencia | es |
| udelar.academic.department | Departamento académico | Procesamiento de Señales | es |
| udelar.investigation.group | Grupo de investigación | Tratamiento de Imagenes | es |
Colecciones:
| Ficheros | Descripción | Tamaño | Formato | ||
|---|---|---|---|---|---|
| GCMF24.pdf | Versión definitiva | 2.84 MB | Adobe PDF |