Fugu-MT 論文翻訳(概要): Anomaly Detection with SDAE

論文の概要: Anomaly Detection with SDAE

arxiv url: http://arxiv.org/abs/2004.04391v1
Date: Thu, 9 Apr 2020 07:22:08 GMT
ステータス: 処理完了
システム内更新日: 2022-12-15 02:10:54.168239
Title: Anomaly Detection with SDAE
Title（参考訳）: SDAEによる異常検出
Authors: Benjamin Smith, Kevin Cant, Gloria Wang
Abstract要約: A Simple, Deep, and Supervised Deep Autoencoder were trained and comparison for anomaly detection over the ASHRAE building energy data。ディープ・オートエンコーダが最も優れているが、スーパービジョンド・ディープ・オートエンコーダは検出された全異常において他のモデルよりも優れている。
参考スコア（独自算出の注目度）: 2.9447568514391067
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Anomaly detection is a prominent data preprocessing step in learning applications for correction and/or removal of faulty data. Automating this data type with the use of autoencoders could increase the quality of the dataset by isolating anomalies that were missed through manual or basic statistical analysis. A Simple, Deep, and Supervised Deep Autoencoder were trained and compared for anomaly detection over the ASHRAE building energy dataset. Given the restricted parameters under which the models were trained, the Deep Autoencoder perfoms the best, however, the Supervised Deep Autoencoder outperforms the other models in total anomalies detected when considerations for the test datasets are given.
Abstract（参考訳）: 異常検出は、異常データの修正および/または除去のための学習における顕著なデータ前処理ステップである。このデータ型をオートエンコーダを使って自動化することは、手動または基本的な統計分析によって見逃された異常を分離することで、データセットの品質を高めることができる。アシュレービルディングエネルギーデータセット上での異常検出のために、単純で深層で教師ありの深いオートエンコーダを訓練し、比較した。モデルがトレーニングされた制限されたパラメータを考慮すれば、Deep Autoencoderは最善を尽くすが、Supervised Deep Autoencoderは、テストデータセットに対する考慮が与えられたときに検出された全異常において、他のモデルよりも優れる。

関連論文リスト

Attention and Autoencoder Hybrid Model for Unsupervised Online Anomaly Detection [3.6049348666007934]
本稿では,時系列における教師なしオンライン異常検出のためのハイブリッドアテンションとオートエンコーダ(AE)モデルを提案する。オートエンコーダは局所的な構造パターンを短い埋め込みで捉え、アテンションモデルは長期的特徴を学習し、位置符号化による並列計算を容易にする。これは、ディープトランスモデルに似た注意に基づくメカニズムを採用しており、オートエンコーダの潜在空間における次のステップウィンドウを予測するための重要なアーキテクチャ上の変更である。
論文参考訳（メタデータ） (2024-01-06T22:55:02Z)
A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文参考訳（メタデータ） (2022-09-23T06:09:35Z)
DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文参考訳（メタデータ） (2021-09-08T14:07:55Z)
Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
論文参考訳（メタデータ） (2021-07-28T10:19:58Z)
Anomaly Detection Based on Multiple-Hypothesis Autoencoder [0.0]
正規データで訓練されたモデルは、異常データに対するより大きな復元誤差を生成する。 AEの入力データの復元領域は、潜時空間において制限される。本稿では,複数のデコーダからなるマルチハイブリッドオートエンコーダ(MH-AE)モデルを提案する。
論文参考訳（メタデータ） (2021-07-07T05:09:03Z)
DASVDD: Deep Autoencoding Support Vector Data Descriptor for Anomaly Detection [9.19194451963411]
半教師付き異常検出は、通常のデータに基づいて訓練されたモデルを用いて、通常のサンプルから異常を検出することを目的としている。本稿では,自己エンコーダのパラメータを協調的に学習する手法であるDASVDDを提案する。
論文参考訳（メタデータ） (2021-06-09T21:57:41Z)
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)
Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文参考訳（メタデータ） (2020-04-15T06:13:33Z)
Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。我々は,再建基準の代替として,異常スコアの代替尺度を提案した。提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文参考訳（メタデータ） (2020-03-24T08:26:58Z)
Anomaly Detection using Deep Autoencoders for in-situ Wastewater Systems Monitoring Data [0.0]
本稿では, 深部自動エンコーダを用いた廃棄物システム監視データの異常検出手法を提案する。そして、復号ステージの復元誤差に基づいて異常検出を行う。
論文参考訳（メタデータ） (2020-02-07T09:53:46Z)

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。