論文の概要: MSTREAM: Fast Anomaly Detection in Multi-Aspect Streams

• arxiv url: http://arxiv.org/abs/2009.08451v4
• Date: Tue, 30 Mar 2021 14:49:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 08:09:24.481650
• Title: MSTREAM: Fast Anomaly Detection in Multi-Aspect Streams
• Title（参考訳）: MSTREAM:マルチアスペクトストリームにおける高速異常検出
• Authors: Siddharth Bhatia, Arjit Jain, Pan Li, Ritesh Kumar, Bryan Hooi
• Abstract要約: MSTREAMは異常な集団異常を動的に検出することができる。 KDDCUP99、CICIDS-DoS、UNSW-NB 15、CICIDS-DDoSデータセットで評価されている。
• 参考スコア（独自算出の注目度）: 33.20161160552062
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given a stream of entries in a multi-aspect data setting i.e., entries having multiple dimensions, how can we detect anomalous activities in an unsupervised manner? For example, in the intrusion detection setting, existing work seeks to detect anomalous events or edges in dynamic graph streams, but this does not allow us to take into account additional attributes of each entry. Our work aims to define a streaming multi-aspect data anomaly detection framework, termed MSTREAM which can detect unusual group anomalies as they occur, in a dynamic manner. MSTREAM has the following properties: (a) it detects anomalies in multi-aspect data including both categorical and numeric attributes; (b) it is online, thus processing each record in constant time and constant memory; (c) it can capture the correlation between multiple aspects of the data. MSTREAM is evaluated over the KDDCUP99, CICIDS-DoS, UNSW-NB 15 and CICIDS-DDoS datasets, and outperforms state-of-the-art baselines.
• Abstract（参考訳）: マルチアスペクトデータセットのエントリ列、すなわち複数の次元を持つエントリが与えられた場合、教師なしの方法で異常なアクティビティをどうやって検出できるのか? 例えば、侵入検知設定では、既存の作業は動的グラフストリームの異常なイベントやエッジを検知しようとしますが、これによって各エントリの付加的な属性を考慮に入れられません。 本研究の目的は,mstreamと呼ばれる,異常な集団異常を動的に検出可能なストリーミングマルチアスペクトデータ異常検出フレームワークを定義することである。 MSTREAM には以下の特性がある。 (a)分類属性と数値属性の両方を含むマルチアスペクトデータの異常を検出する。 (b)オンラインなので、各レコードを一定時間及び一定メモリで処理する。 (c)データの複数の側面間の相関を捉えることができる。 MSTREAMはKDDCUP99、CICIDS-DoS、UNSW-NB 15、CICIDS-DDoSデータセットで評価され、最先端のベースラインを上回っている。

関連論文リスト

• ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
  ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。 各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
  論文  参考訳（メタデータ） (2024-05-27T02:42:33Z)
• Dynamic Erasing Network Based on Multi-Scale Temporal Features for Weakly Supervised Video Anomaly Detection [103.92970668001277]
  弱教師付きビデオ異常検出のための動的消去ネットワーク(DE-Net)を提案する。 まず,異なる長さのセグメントから特徴を抽出できるマルチスケール時間モデリングモジュールを提案する。 そして,検出された異常の完全性を動的に評価する動的消去戦略を設計する。
  論文  参考訳（メタデータ） (2023-12-04T09:40:11Z)
• MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly Detection [124.52227588930543]
  教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。 不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。 非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。 我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
  論文  参考訳（メタデータ） (2023-08-29T13:38:35Z)
• Efficient pattern-based anomaly detection in a network of multivariate devices [0.17188280334580192]
  2段階のアプローチで異常を検出するスケーラブルな手法を提案する。 まず、ネットワーク内のエンティティ間の関係を復元する。なぜなら関係は自然界において動的であり、原因不明のプロセスによって引き起こされることが多いからだ。 次に、逐次パターンの埋め込みに基づく異常を報告する。
  論文  参考訳（メタデータ） (2023-05-07T16:05:30Z)
• Abnormal Event Detection via Hypergraph Contrastive Learning [54.80429341415227]
  異常事象検出は多くの実アプリケーションにおいて重要な役割を果たす。 本稿では,分散異種情報ネットワークにおける異常事象検出問題について検討する。 AEHCLと呼ばれる新しいハイパーグラフコントラスト学習法が,異常事象のパターンをフルに捉えるために提案されている。
  論文  参考訳（メタデータ） (2023-04-02T08:23:20Z)
• Streaming Anomaly Detection [7.60882697435906]
  まず、カウントミンスケッチを用いて動的グラフの異常エッジをオンラインで検出するMIDASを提案する。 次に、カウントミンスケッチをHigher-Orderスケッチに拡張し、グラフデータの複雑な関係をキャプチャします。 このスケッチを用いて,エッジおよびサブグラフ異常を検出する4つのストリーミング手法を提案する。
  論文  参考訳（メタデータ） (2023-01-30T18:59:51Z)
• Detecting Multivariate Time Series Anomalies with Zero Known Label [17.930211011723447]
  MTGFlowは多変量時系列異常検出のための教師なし異常検出手法である。 エンティティ間の複雑な相互依存性と各エンティティ固有の特性は、密度推定に重大な課題を生じさせる。 7つのベースラインを持つ5つの公開データセットの実験が行われ、MTGFlowはSOTA法を最大5.0AUROC%で上回っている。
  論文  参考訳（メタデータ） (2022-08-03T14:38:19Z)
• Deep Federated Anomaly Detection for Multivariate Time Series Data [93.08977495974978]
  本稿では,Fed-ExDNN(Federated Exemplar-based Deep Neural Network)を用いて,異なるエッジデバイス上での多変量時系列データの異常検出を行う。 ExDNNとFed-ExDNNは、最先端の異常検出アルゴリズムやフェデレーション学習技術より優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-09T05:06:58Z)
• Federated Variational Learning for Anomaly Detection in Multivariate Time Series [13.328883578980237]
  本稿では,非教師付き時系列異常検出フレームワークを提案する。 我々は,畳み込みGated Recurrent Unit(ConvGRU)モデルに基づいて,共有変分オートエンコーダ(VAE)を学習するために,エッジに分散したトレーニングデータを残しておく。 3つの実世界のネットワークセンサーデータセットの実験は、他の最先端モデルに対する我々のアプローチの利点を示しています。
  論文  参考訳（メタデータ） (2021-08-18T22:23:15Z)
• Anomaly Detection for Aggregated Data Using Multi-Graph Autoencoder [21.81622481466591]
  システムログの異常検出モデルの作成に重点を置いている。 集約されたデータと集約されたイベント間の関係を徹底的に分析する。 本稿では,新しい畳み込みグラフ自動エンコーダモデルMGAEを提案する。
  論文  参考訳（メタデータ） (2021-01-11T17:38:42Z)
• Multi-Scale One-Class Recurrent Neural Networks for Discrete Event Sequence Anomaly Detection [63.825781848587376]
  本稿では,離散イベントシーケンス中の異常を検出する1クラスリカレントニューラルネットワークOC4Seqを提案する。 具体的には、OC4Seqは離散イベントシーケンスを遅延空間に埋め込み、異常を容易に検出することができる。
  論文  参考訳（メタデータ） (2020-08-31T04:48:22Z)

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。