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
- 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) - Explainable Contextual Anomaly Detection using Quantile Regression
Forests [14.80211278818555]
本研究では,依存性に基づく従来の異常検出手法とコンテキスト異常検出手法の接続を開発する。
そこで本研究では,文脈異常検出を自然に解釈する手法を提案する。
本手法は, 精度と解釈可能性の観点から, 最先端の異常検出法より優れる。
論文 参考訳(メタデータ) (2023-02-22T09:39:59Z) - OpenOOD: Benchmarking Generalized Out-of-Distribution Detection [60.13300701826931]
アウト・オブ・ディストリビューション(OOD)検出は、安全クリティカルな機械学習アプリケーションにとって不可欠である。
この分野では現在、統一的で厳格に定式化され、包括的なベンチマークが欠けている。
関連フィールドで開発された30以上のメソッドを実装したOpenOODという,統一的で構造化されたシステムを構築します。
論文 参考訳(メタデータ) (2022-10-13T17:59:57Z) - 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) - Hierarchical Distribution-Aware Testing of Deep Learning [13.254093944540438]
深層学習(DL)は、安全クリティカルなアプリケーションでますます使われており、信頼性への懸念が高まっている。
逆数例(AEs)として知られる逆数摂動に直面した場合、DLは堅牢性に欠けるよく知られた問題に悩まされる。
本稿では,特徴量分布と画素レベル分布の両方を考慮したAE検出のための新しいロバストネステスト手法を提案する。
論文 参考訳(メタデータ) (2022-05-17T19:13:55Z) - 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) - A General Framework For Detecting Anomalous Inputs to DNN Classifiers [37.79389209020564]
本稿では,内部のディープニューラルネットワーク層表現に基づく教師なし異常検出フレームワークを提案する。
我々は,強力な逆攻撃とOOD入力を用いた画像分類データセットについて,提案手法の評価を行った。
論文 参考訳(メタデータ) (2020-07-29T22:57:57Z) - NADS: Neural Architecture Distribution Search for Uncertainty Awareness [79.18710225716791]
機械学習(ML)システムは、トレーニングデータとは異なるディストリビューションから来るテストデータを扱う場合、しばしばOoD(Out-of-Distribution)エラーに遭遇する。
既存のOoD検出アプローチはエラーを起こしやすく、時にはOoDサンプルに高い確率を割り当てることもある。
本稿では,すべての不確実性を考慮したアーキテクチャの共通構築ブロックを特定するために,ニューラルアーキテクチャ分布探索(NADS)を提案する。
論文 参考訳(メタデータ) (2020-06-11T17:39:07Z) - Anomalous Example Detection in Deep Learning: A Survey [98.2295889723002]
本調査は,ディープラーニングアプリケーションにおける異常検出の研究について,構造化された包括的概要を提供する。
既存の技術に対する分類法を,その基礎となる前提と採用アプローチに基づいて提案する。
本稿では,DLシステムに異常検出技術を適用しながら未解決の研究課題を取り上げ,今後の課題について述べる。
論文 参考訳(メタデータ) (2020-03-16T02:47:23Z) - Towards Out-of-Distribution Detection with Divergence Guarantee in Deep
Generative Models [22.697643259435115]
深層生成モデルは、分布外データ(OOD)に対して、分布内データ(ID)よりも高い確率を割り当てることができる。
フローベースモデルにおける散逸を解析するための定理を証明している。
本稿では,2つのグループ異常検出手法を提案する。
論文 参考訳(メタデータ) (2020-02-09T09:54:12Z)
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。