論文の概要: Dependency-based Anomaly Detection: Framework, Methods and Benchmark
- arxiv url: http://arxiv.org/abs/2011.06716v1
- Date: Fri, 13 Nov 2020 01:39:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 23:37:17.082550
- Title: Dependency-based Anomaly Detection: Framework, Methods and Benchmark
- Title（参考訳）: 依存性に基づく異常検出:フレームワーク、メソッド、ベンチマーク
- Authors: Sha Lu, Lin Liu, Jiuyong Li, Thuc Duy Le, Jixue Liu
- Abstract要約: 本稿では,依存性に基づく異常検出のための統一プロセスを実現するための一般的なフレームワークであるDepADを提案する。
DepADは教師なしの異常検出タスクを特徴選択と予測問題に分解する。
実世界の32のデータセットを用いた100以上のインスタンス化DepAD手法の総合的な実験が実施されている。
- 参考スコア（独自算出の注目度）: 23.027334755974383
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Anomaly detection is an important research problem because anomalies often
contain critical insights for understanding the unusual behavior in data. One
type of anomaly detection approach is dependency-based, which identifies
anomalies by examining the violations of the normal dependency among variables.
These methods can discover subtle and meaningful anomalies with better
interpretation. Existing dependency-based methods adopt different
implementations and show different strengths and weaknesses. However, the
theoretical fundamentals and the general process behind them have not been well
studied. This paper proposes a general framework, DepAD, to provide a unified
process for dependency-based anomaly detection. DepAD decomposes unsupervised
anomaly detection tasks into feature selection and prediction problems.
Utilizing off-the-shelf techniques, the DepAD framework can have various
instantiations to suit different application domains. Comprehensive experiments
have been conducted over one hundred instantiated DepAD methods with 32
real-world datasets to evaluate the performance of representative techniques in
DepAD. To show the effectiveness of DepAD, we compare two DepAD methods with
nine state-of-the-art anomaly detection methods, and the results show that
DepAD methods outperform comparison methods in most cases. Through the DepAD
framework, this paper gives guidance and inspiration for future research of
dependency-based anomaly detection and provides a benchmark for its evaluation.
- Abstract（参考訳）: 異常検出は、データの異常な振る舞いを理解するための重要な洞察を含むことが多いため、重要な研究課題である。
異常検出アプローチの1つのタイプは依存性ベースで、変数間の通常の依存関係の違反を調べることで異常を識別する。
これらの手法は、より良い解釈で微妙で意味のある異常を発見できる。
既存の依存関係ベースのメソッドは、異なる実装を採用し、異なる強みと弱みを示している。
しかし、理論的基礎とそれらの背後にある一般的な過程はよく研究されていない。
本稿では,依存性に基づく異常検出のための統一プロセスを提供する汎用フレームワークdepadを提案する。
DepADは教師なしの異常検出タスクを特徴選択と予測問題に分解する。
既製のテクニックを利用することで、DepADフレームワークはさまざまなアプリケーションドメインに適合するさまざまなインスタンスを作成できる。
DepADにおける代表的手法の性能を評価するために,32個の実世界のデータセットを用いた100以上のインスタントデパッド手法の総合的な実験を行った。
DepADの有効性を示すために,DepAD法を9つの最先端異常検出法と比較した。
DepADフレームワークを通じて、依存関係に基づく異常検出の今後の研究のガイダンスとインスピレーションを与え、その評価のためのベンチマークを提供する。
関連論文リスト
- A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。
このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。
我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文 参考訳（メタデータ） (2024-06-05T13:40:07Z) - 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) - Generating and Reweighting Dense Contrastive Patterns for Unsupervised
Anomaly Detection [59.34318192698142]
我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。
PatchDiffは、様々な種類の異常パターンを効果的に公開する。
MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
論文 参考訳（メタデータ） (2023-12-26T07:08:06Z) - Open-Set Graph Anomaly Detection via Normal Structure Regularisation [30.638274744518682]
Open-set Graph Anomaly Detection (GAD)は、少数の正規ノードと異常ノードを使用して検出モデルをトレーニングすることを目的としている。
現在の監督型GAD法は、目に見えない異常を正常なノードとして検出する多くの誤りを招き、その異常を過度に強調する傾向にある。
本稿では,新しいオープンセットGAD手法,すなわち正規構造正規化(NSReg)を提案する。
論文 参考訳（メタデータ） (2023-11-12T13:25:28Z) - 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) - Active Learning-based Isolation Forest (ALIF): Enhancing Anomaly
Detection in Decision Support Systems [2.922007656878633]
ALIFは一般的な孤立林の軽量な修正であり、他の最先端のアルゴリズムと比較して優れた性能を示した。
提案手法は,現実のシナリオでますます普及しているDSS(Decision Support System)の存在に特に注目されている。
論文 参考訳（メタデータ） (2022-07-08T14:36:38Z) - Framing Algorithmic Recourse for Anomaly Detection [18.347886926848563]
我々は,タブラルデータ(CARAT)における異常に対する文脈保存型アルゴリズムレコースを提案する。
CARATはトランスフォーマーベースのエンコーダデコーダモデルを用いて、低い確率で特徴を見つけることで異常を説明する。
異常なインスタンス内の特徴の全体的コンテキストを使用して、強調された特徴を変更することによって、意味的に一貫性のある反事実が生成される。
論文 参考訳（メタデータ） (2022-06-29T03:30:51Z) - Data-Efficient and Interpretable Tabular Anomaly Detection [54.15249463477813]
本稿では,ホワイトボックスモデルクラスである一般化付加モデルを適用し,異常を検出する新しいフレームワークを提案する。
さらに、提案フレームワークであるDIADは、ラベル付きデータの少量を組み込んで、半教師付き設定における異常検出性能をさらに向上させることができる。
論文 参考訳（メタデータ） (2022-03-03T22:02:56Z) - 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) - 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) - Algorithmic Frameworks for the Detection of High Density Anomalies [0.0]
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。
論文 参考訳（メタデータ） (2020-10-09T17:48:02Z)
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。