論文の概要: Action Sequence Augmentation for Early Graph-based Anomaly Detection

• arxiv url: http://arxiv.org/abs/2010.10016v2
• Date: Sat, 28 Aug 2021 19:25:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 07:48:45.588734
• Title: Action Sequence Augmentation for Early Graph-based Anomaly Detection
• Title（参考訳）: 早期グラフに基づく異常検出のための行動系列拡張
• Authors: Tong Zhao, Bo Ni, Wenhao Yu, Zhichun Guo, Neil Shah, Meng Jiang
• Abstract要約: 早期異常検出にアクションシーケンス拡張を用いる新しいフレームワークであるElandを提案する。 3つの実世界のデータセットの実験により、イーランドは様々なグラフベースの異常検出手法の性能を改善した。
• 参考スコア（独自算出の注目度）: 26.511889121307277
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The proliferation of web platforms has created incentives for online abuse. Many graph-based anomaly detection techniques are proposed to identify the suspicious accounts and behaviors. However, most of them detect the anomalies once the users have performed many such behaviors. Their performance is substantially hindered when the users' observed data is limited at an early stage, which needs to be improved to minimize financial loss. In this work, we propose Eland, a novel framework that uses action sequence augmentation for early anomaly detection. Eland utilizes a sequence predictor to predict next actions of every user and exploits the mutual enhancement between action sequence augmentation and user-action graph anomaly detection. Experiments on three real-world datasets show that Eland improves the performance of a variety of graph-based anomaly detection methods. With Eland, anomaly detection performance at an earlier stage is better than non-augmented methods that need significantly more observed data by up to 15% on the Area under the ROC curve.
• Abstract（参考訳）: webプラットフォームの普及は、オンライン乱用に対するインセンティブを生み出した。 疑わしいアカウントや行動を特定するために,グラフに基づく異常検出手法が多数提案されている。 しかし,そのほとんどは,ユーザがこのような動作を多く行えば,異常を検出する。 ユーザの観察データが早期に制限されている場合,財務損失を最小限に抑えるため,そのパフォーマンスが著しく損なわれる。 本研究では,早期異常検出にアクションシーケンス拡張を用いた新しいフレームワークであるElandを提案する。 elandは、各ユーザの次のアクションを予測するシーケンス予測器を使用し、アクションシーケンス拡張とユーザ-アクショングラフ異常検出の相互強化を利用する。 3つの実世界のデータセットの実験により、イーランドは様々なグラフベースの異常検出手法の性能を改善した。 イーランドでは、早期の異常検出性能は、ROC曲線の下でのエリアで最大15%以上の観測データを必要とする非増強法よりも優れている。

関連論文リスト

• ADA-GAD: Anomaly-Denoised Autoencoders for Graph Anomaly Detection [84.0718034981805]
  我々はAnomaly-Denoized Autoencoders for Graph Anomaly Detection (ADA-GAD)という新しいフレームワークを導入する。 第1段階では,異常レベルを低減したグラフを生成する学習自由な異常化拡張法を設計する。 次の段階では、デコーダは元のグラフで検出するために再訓練される。
  論文  参考訳（メタデータ） (2023-12-22T09:02:01Z)
• 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)
• Maat: Performance Metric Anomaly Anticipation for Cloud Services with Conditional Diffusion [32.86745044103766]
  既存の異常検出技術は、リアルタイム検出のみに焦点を合わせており、異常が発生したら即座に異常警報が発行される。 本稿では,クラウドサービスのパフォーマンス指標の異常予測に対処する最初の試みであるMaatを提案する。 Maatは、予測値の予測と予測値の異常検出からなる、新しい2段階の予測パラダイムを採用している。
  論文  参考訳（メタデータ） (2023-08-15T09:50:15Z)
• SAD: Semi-Supervised Anomaly Detection on Dynamic Graphs [11.819993729810257]
  異常検出は、良性例の大多数と大きく異なる異常例を区別することを目的としている。 グラフニューラルネットワークは、異常検出問題に取り組むことで、ますます人気が高まっている。 動的グラフ上での異常検出のためのエンドツーエンドフレームワークである半教師付き異常検出(SAD)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T01:05:34Z)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• Raising the Bar in Graph-level Anomaly Detection [33.737428672049255]
  既存のワンクラスのアプローチを大幅に改善する,新たなディープラーニングアプローチを提案する。 提案手法は,既存手法と比較して平均11.8%AUCの性能向上を実現している。
  論文  参考訳（メタデータ） (2022-05-27T09:17:57Z)
• 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)
• Real-Time Anomaly Detection in Edge Streams [49.26098240310257]
  マイクロクラスタ異常の検出に焦点を当てたMIDASを提案する。 さらに、アルゴリズムの内部状態に異常が組み込まれている問題を解くために、MIDAS-Fを提案する。 実験の結果,MIDAS-Fの精度はMIDASよりも有意に高かった。
  論文  参考訳（メタデータ） (2020-09-17T17:59:27Z)
• Sequential Anomaly Detection using Inverse Reinforcement Learning [23.554584457413483]
  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。
  論文  参考訳（メタデータ） (2020-04-22T05:17:36Z)
• 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)

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。