論文の概要: Algorithmic Frameworks for the Detection of High Density Anomalies
- arxiv url: http://arxiv.org/abs/2010.04705v2
- Date: Sun, 4 Apr 2021 07:49:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 05:15:57.195496
- Title: Algorithmic Frameworks for the Detection of High Density Anomalies
- Title(参考訳): 高密度異常検出のためのアルゴリズムフレームワーク
- Authors: Ralph Foorthuis
- Abstract要約: 高密度異常(英: high-density anomalies)は、データ空間の最も正常な領域に位置する不確定なケースである。
本研究では、教師なし検出のための非パラメトリックアルゴリズムフレームワークをいくつか導入する。
- 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: This study explores the concept of high-density anomalies. As opposed to the
traditional concept of anomalies as isolated occurrences, high-density
anomalies are deviant cases positioned in the most normal regions of the data
space. Such anomalies are relevant for various practical use cases, such as
misbehavior detection and data quality analysis. Effective methods for
identifying them are particularly important when analyzing very large or noisy
sets, for which traditional anomaly detection algorithms will return many false
positives. In order to be able to identify high-density anomalies, this study
introduces several non-parametric algorithmic frameworks for unsupervised
detection. These frameworks are able to leverage existing underlying anomaly
detection algorithms and offer different solutions for the balancing problem
inherent in this detection task. The frameworks are evaluated with both
synthetic and real-world datasets, and are compared with existing baseline
algorithms for detecting traditional anomalies. The Iterative Partial Push
(IPP) framework proves to yield the best detection results.
- Abstract(参考訳): 本研究は高密度異常の概念を探求する。
孤立した事象としての従来の異常の概念とは対照的に、高密度異常はデータ空間の最も正常な領域に位置する逸脱例である。
このような異常は、誤動作検出やデータ品質分析など、様々なユースケースに関係している。
それらを特定する効果的な方法は、従来の異常検出アルゴリズムが多くの偽陽性を返す非常に大きな集合やノイズ集合を分析する際に特に重要である。
本研究は,高密度異常を同定するために,教師なし検出のための非パラメトリックなアルゴリズムフレームワークをいくつか導入する。
これらのフレームワークは、既存の基盤となる異常検出アルゴリズムを活用することができ、この検出タスクに固有のバランス問題に対するさまざまなソリューションを提供する。
フレームワークは合成データセットと実世界のデータセットの両方で評価され、従来の異常を検出する既存のベースラインアルゴリズムと比較される。
反復部分プッシュ(IPP)フレームワークは、最高の検出結果が得られることを証明します。
関連論文リスト
- Can Tree Based Approaches Surpass Deep Learning in Anomaly Detection? A
Benchmarking Study [0.6291443816903801]
本稿では,機械学習に基づく異常検出アルゴリズムの多種多様さを評価する。
本論文は, 種々の異常検出アルゴリズムの非バイアス比較を行うことにより, 顕著に寄与する。
論文 参考訳(メタデータ) (2024-02-11T19:12:51Z) - Unraveling the "Anomaly" in Time Series Anomaly Detection: A
Self-supervised Tri-domain Solution [89.16750999704969]
異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。
自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。
自己教師型3領域異常検出器(TriAD)を提案する。
論文 参考訳(メタデータ) (2023-11-19T05:37:18Z) - Early Abnormal Detection of Sewage Pipe Network: Bagging of Various
Abnormal Detection Algorithms [3.1720050808705804]
下水道管網の異常は市全体の正常な運営に影響を及ぼす。
本稿では,早期異常検出法を提案する。
論文 参考訳(メタデータ) (2022-06-06T03:46:47Z) - 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) - 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) - Anomaly Detection for High-Dimensional Data Using Large Deviations
Principle [0.8526086056172273]
大規模偏差理論の概念を用いて高次元データにスケール可能な異常検出アルゴリズムを提案する。
提案した大規模偏差異常検出(LAD)アルゴリズムは,多種多様な大規模および高次元のベンチマークデータセットにおいて,アート異常検出手法の精度に優れることを示した。
論文 参考訳(メタデータ) (2021-09-28T13:13:14Z) - 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) - 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) - 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) - Generalizing Fault Detection Against Domain Shifts Using
Stratification-Aware Cross-Validation [4.731408120697983]
先天異常は重篤な症状よりも軽度の症状を呈する。
これらの異常は、容易に通常の動作条件と誤認することができる。
そこで本研究では,アンサンブル学習手法により,初期異常に対する性能の向上が期待できることを示す。
論文 参考訳(メタデータ) (2020-08-20T00:03:09Z)
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。