論文の概要: On the Nature and Types of Anomalies: A Review of Deviations in Data
- arxiv url: http://arxiv.org/abs/2007.15634v4
- Date: Sat, 7 Aug 2021 11:43:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-05 13:40:40.347230
- Title: On the Nature and Types of Anomalies: A Review of Deviations in Data
- Title（参考訳）: 異常の性質と種類について:データの偏差を振り返って
- Authors: Ralph Foorthuis
- Abstract要約: この研究は、データ異常の最初の理論的原理とドメインに依存しないタイプポロジーを提供する。
異常の概念とその表現を具体的に定義するために、タイプロジーは5次元を使用する。
これらの基本次元とデータ中心次元は自然に3つの広い群、9つの基本タイプ、63の異常のサブタイプをもたらす。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomalies are occurrences in a dataset that are in some way unusual and do
not fit the general patterns. The concept of the anomaly is typically
ill-defined and perceived as vague and domain-dependent. Moreover, despite some
250 years of publications on the topic, no comprehensive and concrete overviews
of the different types of anomalies have hitherto been published. By means of
an extensive literature review this study therefore offers the first
theoretically principled and domain-independent typology of data anomalies and
presents a full overview of anomaly types and subtypes. To concretely define
the concept of the anomaly and its different manifestations, the typology
employs five dimensions: data type, cardinality of relationship, anomaly level,
data structure, and data distribution. These fundamental and data-centric
dimensions naturally yield 3 broad groups, 9 basic types, and 63 subtypes of
anomalies. The typology facilitates the evaluation of the functional
capabilities of anomaly detection algorithms, contributes to explainable data
science, and provides insights into relevant topics such as local versus global
anomalies.
- Abstract（参考訳）: 異常は何らかの方法で異常なデータセットで発生し、一般的なパターンに適合しない。
異常の概念は一般に不明確であり、曖昧でドメインに依存しないと見なされる。
さらに、この話題に関する約250年の出版にもかかわらず、様々な種類の異常に関する包括的で具体的な概要は発表されていない。
そこで,本研究では,データ異常の理論的・ドメイン非依存型を初めて提示し,異常型とサブタイプについて概観する。
データ型、関係の基数、異常レベル、データ構造、データ分布の5つの次元を用いる。
これらの基本およびデータ中心の次元は、自然に3つの広いグループ、9つの基本型、63のサブタイプの異常をもたらす。
このタイポロジーは、異常検出アルゴリズムの機能的機能の評価を促進し、説明可能なデータサイエンスに貢献し、局所的およびグローバル的異常などの関連トピックに関する洞察を提供する。
関連論文リスト
- Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。
PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。
異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
論文 参考訳（メタデータ） (2022-12-05T05:03:46Z) - Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。
時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。
本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
論文 参考訳（メタデータ） (2022-11-09T22:40:22Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-30T06:00:13Z) - Catching Both Gray and Black Swans: Open-set Supervised Anomaly
Detection [90.32910087103744]
ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。
これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。
トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。
本稿では,オープンセット型教師付き異常検出に取り組む。
論文 参考訳（メタデータ） (2022-03-28T05:21:37Z) - A Taxonomy of Anomalies in Log Data [0.09558392439655014]
異常の一般的な分類法は、すでに存在するが、ログデータに特に適用されていない。
本稿では,異なる種類のログデータ異常に対する分類法を提案し,ラベル付きデータセットにおけるそのような異常を分析する方法を提案する。
以上の結果から,最も一般的な異常型が予測し易いことが示唆された。
論文 参考訳（メタデータ） (2021-11-26T12:23:06Z) - Variation and generality in encoding of syntactic anomaly information in
sentence embeddings [7.132368785057315]
文中の異常が発生する階層レベルが異なる探索タスクを設計することにより、異常符号化の微妙な相違について検討する。
我々は、与えられた異常を検出するモデルだけでなく、検出された異常信号の一般性もテストする。
その結果、全てのモデルが異常検出をサポートする情報を符号化しているが、検出性能は異常毎に異なることが示唆された。
論文 参考訳（メタデータ） (2021-11-12T10:23:43Z) - A Typology of Data Anomalies [0.0]
異常は何らかの特異なケースであり、データセットに存在する一般的なパターンに適合しないように見える。
本稿では,データセット内の異なる種類の異常を明確かつ具体的に定義する,異常の一般的な型について紹介する。
論文 参考訳（メタデータ） (2021-07-04T13:12:24Z) - Anomaly detection using principles of human perception [0.0]
簡易かつリアルタイムかつパラメータフリーな教師なし異常検出アルゴリズムを開発した。
考えは、異常は、データの大半によって行われた特定のグループに関して予期しない観察であると仮定することです。
論文 参考訳（メタデータ） (2021-03-23T05:46:27Z) - Bias in ontologies -- a preliminary assessment [2.360534864805446]
アルゴリズムバイアスはよく知られた概念だが、その文脈におけるバイアスとは、アルゴリズムの入力のメカニズムに何を意味するのか?
この特徴付けは、情報と知識の表現の倫理的側面の感性化に寄与する。
論文 参考訳（メタデータ） (2021-01-20T09:28:08Z) - Toward Deep Supervised Anomaly Detection: Reinforcement Learning from
Partially Labeled Anomaly Data [150.9270911031327]
本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。
既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。
そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2020-09-15T03:05:39Z) - Deep Weakly-supervised Anomaly Detection [118.55172352231381]
ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。
PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。
12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
論文 参考訳（メタデータ） (2019-10-30T00:40:25Z)
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。