Fugu-MT 論文翻訳(概要): Sequential Adversarial Anomaly Detection for One-Class Event Data

論文の概要: Sequential Adversarial Anomaly Detection for One-Class Event Data

arxiv url: http://arxiv.org/abs/1910.09161v5
Date: Thu, 6 Apr 2023 02:06:52 GMT
ステータス: 処理完了
システム内更新日: 2023-04-07 19:02:41.853527
Title: Sequential Adversarial Anomaly Detection for One-Class Event Data
Title（参考訳）: 一級イベントデータの逐次逆異常検出
Authors: Shixiang Zhu, Henry Shaowu Yuchi, Minghe Zhang, Yao Xie
Abstract要約: 本稿では,異常なシーケンスのみを利用できる場合の1クラス設定における逐次異常検出問題について考察する。生成器から最悪のケース列に対して最適な検出器を見つけるために,ミニマックス問題を解くことで,逆数列検出器を提案する。
参考スコア（独自算出の注目度）: 18.577418448786634
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We consider the sequential anomaly detection problem in the one-class setting when only the anomalous sequences are available and propose an adversarial sequential detector by solving a minimax problem to find an optimal detector against the worst-case sequences from a generator. The generator captures the dependence in sequential events using the marked point process model. The detector sequentially evaluates the likelihood of a test sequence and compares it with a time-varying threshold, also learned from data through the minimax problem. We demonstrate our proposed method's good performance using numerical experiments on simulations and proprietary large-scale credit card fraud datasets. The proposed method can generally apply to detecting anomalous sequences.
Abstract（参考訳）: 本稿では, 異常なシーケンスのみが存在する場合の1クラス設定における逐次異常検出問題を考察し, ミニマックス問題を解くことで逆数検出法を提案し, 発電機の最悪のシーケンスに対する最適検出法を提案する。ジェネレータはマークされたポイントプロセスモデルを使用してシーケンシャルなイベントの依存関係をキャプチャする。検出器は、テストシーケンスの確率を順次評価し、ミニマックス問題を通じてデータから学習した時間変化しきい値と比較する。シミュレーションと大規模クレジットカード詐欺データセットを用いた数値実験により,提案手法の優れた性能を示す。提案手法は一般に異常配列の検出に適用できる。

関連論文リスト

GraphSubDetector: Time Series Subsequence Anomaly Detection via Density-Aware Adaptive Graph Neural Network [24.37330736887409]
サブシーケンス異常検出,すなわちGraphSubDetectorに対する新しいアプローチを提案する。まず、正規パターンと異常パターンの両方の特徴を強調する長さ選択機構を用いて、適切な列長を適応的に学習する。第2に、サブシーケンス間のメッセージパッシングによる異常検出のための正規データの分散に対して、より堅牢な表現を生成できる密度対応適応グラフニューラルネットワーク(DAGNN)を提案する。
論文参考訳（メタデータ） (2024-11-26T08:36:07Z)
Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文参考訳（メタデータ） (2024-01-11T10:10:16Z)
CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
論文参考訳（メタデータ） (2023-08-18T04:45:56Z)
Fine-grained Anomaly Detection in Sequential Data via Counterfactual Explanations [19.836395281552626]
本稿では, CFDetと呼ばれる, きめ細かい入力検出のための新しいフレームワークを提案する。異常として検出されるシーケンスを考慮すれば、異常なエントリ検出を解釈可能な機械学習タスクとみなすことができる。本稿では, 深層支援ベクトルデータ記述法(Deep SVDD)を用いて異常なシーケンスを検出する。
論文参考訳（メタデータ） (2022-10-09T02:38:11Z)
TiSAT: Time Series Anomaly Transformer [30.68108039722565]
本稿では,この評価基準により,初歩的なランダム・ギーズ法が最先端の検出器より優れていることを示す。本研究では,逐次異常検出の時系列と精度を計測する適切な評価指標を提案する。
論文参考訳（メタデータ） (2022-03-10T05:46:58Z)
Anomaly Rule Detection in Sequence Data [2.3757190901941736]
本稿では,一組のシーケンスからユーティリティを意識した外部規則の発見を可能にする,DUOSと呼ばれる新しい異常検出フレームワークを提案する。本研究では,集団の異常性と実用性を両立させ,ユーティリティ・アウェア・アウトリー・ルール(UOSR)の概念を導入する。
論文参考訳（メタデータ） (2021-11-29T23:52:31Z)
Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文参考訳（メタデータ） (2021-08-01T14:33:17Z)
Optimal Sequential Detection of Signals with Unknown Appearance and Disappearance Points in Time [64.26593350748401]
本論文は、変化の期間が有限で未知であると仮定して、逐次的な変化点検出問題に対処する。我々は、所定の時間(または空間)ウィンドウにおける最小検出確率を最大化する信頼性の高い最大変更検出基準に焦点を当てる。 FMAアルゴリズムは、光学画像中の衛星のかすかなストリークを検出するために応用される。
論文参考訳（メタデータ） (2021-02-02T04:58:57Z)
Recomposition vs. Prediction: A Novel Anomaly Detection for Discrete Events Based On Autoencoder [5.781280693720236]
侵入検知の分野で最も難しい問題の1つは、離散イベントログの異常検出である。離散イベントログのDeep Autoencoderベースの異常検出手法であるDabLogを提案する。解析(符号化)と再構成(復号化)により、シーケンスが正常または異常かどうかを判定します。
論文参考訳（メタデータ） (2020-12-27T16:31:05Z)
ESAD: End-to-end Deep Semi-supervised Anomaly Detection [85.81138474858197]
正規データと異常データの間のKL偏差を計測する新たな目的関数を提案する。提案手法は,複数のベンチマークデータセットの最先端性能を著しく上回っている。
論文参考訳（メタデータ） (2020-12-09T08:16:35Z)
TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文参考訳（メタデータ） (2020-09-16T15:52:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。