論文の概要: AugSplicing: Synchronized Behavior Detection in Streaming Tensors

• arxiv url: http://arxiv.org/abs/2012.02006v5
• Date: Tue, 30 Mar 2021 14:42:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-23 21:27:59.056109
• Title: AugSplicing: Synchronized Behavior Detection in Streaming Tensors
• Title（参考訳）: AugSplicing:ストリーミングテンソルにおける同期動作検出
• Authors: Jiabao Zhang, Shenghua Liu, Wenting Hou, Siddharth Bhatia, Huawei Shen, Wenjian Yu, Xueqi Cheng
• Abstract要約: 本稿では,より高速なストリーミングアルゴリズムであるAugSplicingを提案する。 現状の手法と比較して,本手法は,(1)実世界のアプリケーションのデータをインストールする際の不正行為を検知し,キャンパスWi-Fiデータに興味深い特徴を持つ学生群を見つけるのに有効である。
• 参考スコア（独自算出の注目度）: 38.90084196554039
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: How can we track synchronized behavior in a stream of time-stamped tuples, such as mobile devices installing and uninstalling applications in the lockstep, to boost their ranks in the app store? We model such tuples as entries in a streaming tensor, which augments attribute sizes in its modes over time. Synchronized behavior tends to form dense blocks (i.e. subtensors) in such a tensor, signaling anomalous behavior, or interesting communities. However, existing dense block detection methods are either based on a static tensor, or lack an efficient algorithm in a streaming setting. Therefore, we propose a fast streaming algorithm, AugSplicing, which can detect the top dense blocks by incrementally splicing the previous detection with the incoming ones in new tuples, avoiding re-runs over all the history data at every tracking time step. AugSplicing is based on a splicing condition that guides the algorithm (Section 4). Compared to the state-of-the-art methods, our method is (1) effective to detect fraudulent behavior in installing data of real-world apps and find a synchronized group of students with interesting features in campus Wi-Fi data; (2) robust with splicing theory for dense block detection; (3) streaming and faster than the existing streaming algorithm, with closely comparable accuracy.
• Abstract（参考訳）: ロックステップにアプリケーションをインストールしてアンインストールするモバイルデバイスなど,タイムスタンプ付きのタプルストリームで同期動作を追跡して,app storeのランクを上げるには,どうすればよいのでしょう? このようなタプルをストリーミングテンソルのエントリとしてモデル化し、時間とともにそのモードの属性サイズを拡大します。 同期行動は、密度の高いブロック(すなわち、密度の高いブロック)を形成する傾向がある。 このようなテンソルでは、異常な行動や興味深いコミュニティを示唆する。 しかし、既存の密ブロック検出手法は静的テンソルに基づくか、あるいはストリーミング環境で効率的なアルゴリズムを欠いている。 そこで,本研究では,新しいタプルで先行検出をインクリメンタルにスプライシングし,トラッキング時間毎にすべての履歴データを再実行しないようにすることで,上位の高密度ブロックを検出する高速ストリーミングアルゴリズムであるAugSplicingを提案する。 AugSplicingはアルゴリズムを導くスプライシング条件に基づいている(Section 4)。 現状の手法と比較して,本手法は,(1)実世界のアプリケーションのインストール時の不正行為を検知し,キャンパスWi-Fiデータに興味深い特徴を持つ同期した学生群を見つけること,(2)密ブロック検出のためのスプライシング理論に頑健なこと,(3)既存のストリーミングアルゴリズムよりも高速で高速なストリーミングを実現すること,などが有効である。

関連論文リスト

• Bidirectional Decoding: Improving Action Chunking via Closed-Loop Resampling [51.38330727868982]
  双方向デコーディング(BID)は、クローズドループ操作で動作チャンキングをブリッジするテスト時間推論アルゴリズムである。 BIDは、7つのシミュレーションベンチマークと2つの実世界のタスクにまたがって、最先端の2つの生成ポリシーの性能を向上させることを示す。
  論文  参考訳（メタデータ） (2024-08-30T15:39:34Z)
• 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)
• Fast and Multi-aspect Mining of Complex Time-stamped Event Streams [9.528974201794963]
  我々は高次テンソルストリーム上で効率的かつ効果的なCubeScopeを提案する。 具体的には、突然の不連続を識別し、異なる動的パターンを認識する。 各レギュレーションでは、全ての属性に対してマルチウェイの要約も行う。 また、異常の突然の出現を検知し、実際に発生する異常の種類を特定することもできる。
  論文  参考訳（メタデータ） (2023-03-07T10:52:59Z)
• 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)
• Streaming End-to-End ASR based on Blockwise Non-Autoregressive Models [57.20432226304683]
  非自己回帰(NAR)モデリングは、音声処理においてますます注目を集めている。 エンドツーエンドのNAR音声認識システムを提案する。 提案手法は低レイテンシ条件下でのオンラインASR認識を改善する。
  論文  参考訳（メタデータ） (2021-07-20T11:42:26Z)
• MemStream: Memory-Based Anomaly Detection in Multi-Aspect Streams with Concept Drift [20.143379054091536]
  本稿では,ストリーミングマルチアスペクト異常検出フレームワークであるMemStreamを提案する。 我々はデノナイズドオートエンコーダのパワーを活用して表現とメモリモジュールを学習し、データの動的に変化する傾向を学習する。 実験により,最先端のストリーミングベースラインと比較して,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-06-07T17:54:57Z)
• Efficient Two-Stream Network for Violence Detection Using Separable Convolutional LSTM [0.0]
  Separable Convolutional LSTM(SepConvLSTM)と予め訓練されたMobileNetを活用した効率的な2ストリームディープラーニングアーキテクチャを提案する。 SepConvLSTMは、ConvLSTMの各ゲートの畳み込み操作を深さ方向に分離可能な畳み込みに置き換えて構築されます。 我々のモデルは、大きくて挑戦的なrwf-2000データセットの精度を2%以上上回っている。
  論文  参考訳（メタデータ） (2021-02-21T12:01:48Z)
• 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)
• LoCo: Local Contrastive Representation Learning [93.98029899866866]
  重なり合うローカルブロックが重なり合うことで、デコーダの深さを効果的に増加させ、上位ブロックが暗黙的に下位ブロックにフィードバックを送ることができることを示す。 このシンプルな設計は、ローカル学習とエンドツーエンドのコントラスト学習アルゴリズムのパフォーマンスギャップを初めて埋める。
  論文  参考訳（メタデータ） (2020-08-04T05:41:29Z)
• Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
  本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。 より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。 5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
  論文  参考訳（メタデータ） (2020-07-17T15:41:37Z)

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。