論文の概要: Sequential Anomaly Detection using Inverse Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2004.10398v1
- Date: Wed, 22 Apr 2020 05:17:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-10 17:20:38.950427
- Title: Sequential Anomaly Detection using Inverse Reinforcement Learning
- Title（参考訳）: 逆強化学習を用いた逐次異常検出
- Authors: Min-hwan Oh, Garud Iyengar
- Abstract要約: 逆強化学習(IRL)を用いた逐次異常検出のためのエンドツーエンドフレームワークを提案する。
我々はニューラルネットワークを用いて報酬関数を表現し、学習された報酬関数を用いて、ターゲットエージェントからの新しい観察が正常なパターンに従うかどうかを評価する。
公開されている実世界のデータに関する実証研究は,本手法が異常の同定に有効であることを示している。
- 参考スコア（独自算出の注目度）: 23.554584457413483
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: One of the most interesting application scenarios in anomaly detection is
when sequential data are targeted. For example, in a safety-critical
environment, it is crucial to have an automatic detection system to screen the
streaming data gathered by monitoring sensors and to report abnormal
observations if detected in real-time. Oftentimes, stakes are much higher when
these potential anomalies are intentional or goal-oriented. We propose an
end-to-end framework for sequential anomaly detection using inverse
reinforcement learning (IRL), whose objective is to determine the
decision-making agent's underlying function which triggers his/her behavior.
The proposed method takes the sequence of actions of a target agent (and
possibly other meta information) as input. The agent's normal behavior is then
understood by the reward function which is inferred via IRL. We use a neural
network to represent a reward function. Using a learned reward function, we
evaluate whether a new observation from the target agent follows a normal
pattern. In order to construct a reliable anomaly detection method and take
into consideration the confidence of the predicted anomaly score, we adopt a
Bayesian approach for IRL. The empirical study on publicly available real-world
data shows that our proposed method is effective in identifying anomalies.
- Abstract（参考訳）: 異常検出における最も興味深いアプリケーションシナリオの1つは、シーケンシャルデータがターゲットされたときである。
例えば、安全クリティカルな環境では、監視センサによって収集されたストリーミングデータをリアルタイムに検出し、異常な観測を報告するための自動検出システムを持つことが不可欠である。
これらの潜在的な異常が意図的あるいは目標指向である場合、多くの場合、利害はずっと高い。
本稿では,逆強化学習(IRL)を用いた逐次異常検出のためのエンドツーエンドフレームワークを提案する。
提案手法は,対象エージェント(および他のメタ情報)のアクションシーケンスを入力として使用する。
エージェントの正常な振る舞いは、IRLを介して推測される報酬関数によって理解される。
報酬関数を表すためにニューラルネットワークを使用します。
学習報酬関数を用いて,対象エージェントからの新たな観察が正常なパターンに従うか否かを評価する。
信頼性の高い異常検出手法を構築し,予測された異常スコアの信頼性を考慮するために,IRLに対するベイズ的アプローチを採用する。
実世界の公開データに対する実証研究は,提案手法が異常の同定に有効であることを示す。
関連論文リスト
- Pattern-Based Time-Series Risk Scoring for Anomaly Detection and Alert Filtering -- A Predictive Maintenance Case Study [3.508168174653255]
本稿では,逐次パターンの類似性に基づいて,異常検出と警告フィルタリングを高速かつ効率的に行う手法を提案する。
本稿では, 大規模産業システムにおける異常検出を含む様々な目的で, このアプローチをどのように活用するかを示す。
論文 参考訳（メタデータ） (2024-05-24T20:27:45Z) - Adaptive Thresholding Heuristic for KPI Anomaly Detection [1.57731592348751]
時系列領域では、多くの異常検知器が探索されているが、ビジネス的な意味では、すべての異常検出器が興味のある異常であるわけではない。
本稿では,データ分布の局所特性に基づいて検出閾値を動的に調整し,時系列パターンの変化に適応する適応的閾値保持ヒューリスティック(ATH)を提案する。
実験結果から, ATHは効率が良く, ほぼリアルタイムで異常検出が可能であり, 予測器や異常検出器で柔軟であることがわかった。
論文 参考訳（メタデータ） (2023-08-21T06:45:28Z) - Interactive System-wise Anomaly Detection [66.3766756452743]
異常検出は様々なアプリケーションにおいて基本的な役割を果たす。
既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。
システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
論文 参考訳（メタデータ） (2023-04-21T02:20:24Z) - PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。
我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2023-01-25T16:34:43Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - SLA$^2$P: Self-supervised Anomaly Detection with Adversarial
Perturbation [77.71161225100927]
異常検出は、機械学習の基本的な問題であるが、難しい問題である。
本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
論文 参考訳（メタデータ） (2021-11-25T03:53:43Z) - Using a Neural Network to Detect Anomalies given an N-gram Profile [0.0]
異常検出は、コンピュータプログラムの通常の実行動作をプロファイルするように設計されている。
正常だが観察できない行動は偽陽性を引き起こす可能性がある。
本稿では,ニューラルネットワークを用いた異常の存在を説明する方法について述べる。
論文 参考訳（メタデータ） (2021-04-12T15:40:43Z) - A Transfer Learning Framework for Anomaly Detection Using Model of
Normality [2.9685635948299995]
畳み込みニューラルネットワーク(CNN)技術は、画像ベースの異常検出アプリケーションにおいて非常に有用であることが証明されている。
モデル・オブ・ノーマル性(MoN)を用いた類似度尺度に基づく異常検出のための伝達学習フレームワークを提案する。
提案したしきい値設定により,大幅な性能向上が達成できることを示す。
論文 参考訳（メタデータ） (2020-11-12T05:26:32Z) - 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) - Self-trained Deep Ordinal Regression for End-to-End Video Anomaly
Detection [114.9714355807607]
ビデオ異常検出に自己学習深層順序回帰を適用することで,既存の手法の2つの重要な限界を克服できることを示す。
我々は,手動で正規/異常データをラベル付けすることなく,共同表現学習と異常スコアリングを可能にする,エンドツーエンドのトレーニング可能なビデオ異常検出手法を考案した。
論文 参考訳（メタデータ） (2020-03-15T08:44:55Z) - $\text{A}^3$: Activation Anomaly Analysis [0.7734726150561088]
隠れアクティベーション値には,正常標本と異常標本の識別に有用な情報が含まれていることを示す。
我々のアプローチは、純粋にデータ駆動のエンドツーエンドモデルで3つのニューラルネットワークを組み合わせる。
異常ネットワークのおかげで、我々の手法は厳密な半教師付き設定でも機能する。
論文 参考訳（メタデータ） (2020-03-03T21:23:56Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。