論文の概要: Anomaly Detection and Localization based on Double Kernelized Scoring and Matrix Kernels

• arxiv url: http://arxiv.org/abs/2012.08100v1
• Date: Tue, 15 Dec 2020 05:25:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-07 05:17:26.523505
• Title: Anomaly Detection and Localization based on Double Kernelized Scoring and Matrix Kernels
• Title（参考訳）: Double Kernelized ScoringとMatrix Kernelsによる異常検出と位置推定
• Authors: Shunsuke Hirose, Tomotake Kozu, and Yingzi Jin
• Abstract要約: 複数の装置、ネットワーク、および/または植物からなる大規模システムの適切で安全な運用には異常検出が必要です。 このようなシステムにおける異常を検出し、異常に関連する要素を局所化するには、システム全体とその要素の異常を定量化するスコアを推定する必要がある。 そこで本研究では,システム全体とその要素の異常を同時に定量化する手法を開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Anomaly detection is necessary for proper and safe operation of large-scale systems consisting of multiple devices, networks, and/or plants. Those systems are often characterized by a pair of multivariate datasets. To detect anomaly in such a system and localize element(s) associated with anomaly, one would need to estimate scores that quantify anomalousness of the entire system as well as its elements. However, it is not trivial to estimate such scores by considering changes of relationships between the elements, which strongly correlate with each other. Moreover, it is necessary to estimate the scores for the entire system and its elements from a single framework, in order to identify relationships among the scores for localizing elements associated with anomaly. Here, we developed a new method to quantify anomalousness of an entire system and its elements simultaneously. The purpose of this paper is threefold. The first one is to propose a new anomaly detection method: Double Kernelized Scoring (DKS). DKS is a unified framework for entire-system anomaly scoring and element-wise anomaly scoring. Therefore, DKS allows for conducting simultaneously 1) anomaly detection for the entire system and 2) localization for identifying faulty elements responsible for the system anomaly. The second purpose is to propose a new kernel function: Matrix Kernel. The Matrix Kernel is defined between general matrices, which might have different dimensions, allowing for conducting anomaly detection on systems where the number of elements change over time. The third purpose is to demonstrate the effectiveness of the proposed method experimentally. We evaluated the proposed method with synthetic and real time series data. The results demonstrate that DKS is able to detect anomaly and localize the elements associated with it successfully.
• Abstract（参考訳）: 異常検出は、複数のデバイス、ネットワーク、および/または植物からなる大規模システムの適切な安全運用のために必要である。 これらのシステムは、しばしば多変量データセットのペアによって特徴づけられる。 このようなシステムにおける異常を検出し、異常に関連する要素を局所化するには、システム全体とその要素の異常を定量化するスコアを推定する必要がある。 しかし、それらの要素間の関係の変化を考慮し、それらのスコアを推定することは自明ではない。 さらに、異常に関連する要素を局所化するためのスコア間の関係を識別するために、システム全体のスコアとその要素を単一のフレームワークから推定する必要がある。 そこで我々は,システム全体とその要素の異常性を同時に定量化する手法を開発した。 本論文の目的は3倍である。 1つ目は、新しい異常検出方法であるDouble Kernelized Scoring (DKS)を提案することである。 DKSはシステム全体の異常スコアと要素単位の異常スコアの統一フレームワークである。 したがって、DKSは、1)システム全体の異常検出を同時に行うことができ、2)システム異常の原因となる欠陥要素を特定できる。 2つ目の目的は、新しいカーネル関数であるMatrix Kernelを提案することである。 マトリックスカーネル(Matrix Kernel)は、次元の異なる一般的な行列の間で定義されており、時間とともに要素の数が変化するシステム上で異常検出を行うことができる。 第3の目的は,提案手法の有効性を実験的に実証することである。 提案手法を合成および実時間時系列データを用いて評価した。 その結果、DKSは異常を検出し、それに関連する要素をうまくローカライズできることが示された。

関連論文リスト

• Interactive System-wise Anomaly Detection [66.3766756452743]
  異常検出は様々なアプリケーションにおいて基本的な役割を果たす。 既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。 システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
  論文  参考訳（メタデータ） (2023-04-21T02:20:24Z)
• CNTS: Cooperative Network for Time Series [7.356583983200323]
  本稿では,協調ネットワーク時系列法(Cooperative Network Time Series approach)と呼ばれる,教師なし異常検出のための新しい手法を提案する。 CNTSの中心的な側面は多目的最適化の問題であり、協調的な解法戦略によって解決される。 実世界の3つのデータセットの実験は、CNTSの最先端性能を示し、検出器と再構成器の協調的有効性を確認する。
  論文  参考訳（メタデータ） (2023-02-20T06:55:10Z)
• Coincident Learning for Unsupervised Anomaly Detection [8.383613150690785]
  本稿では,マルチモーダルタスクに特化して設計されたCoADという新しい手法を提案する。 特徴空間の2つの異なるスライスにまたがるテキスト共起行動に基づいて異常を識別する。 本手法は,合成外れ値データセットとMNISTに基づく画像データセットを用いて図示し,実世界の2つのタスクにおける先行技術と比較する。
  論文  参考訳（メタデータ） (2023-01-26T19:25:18Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• 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)
• An Evaluation of Anomaly Detection and Diagnosis in Multivariate Time Series [7.675917669905486]
  本稿では,異常検出・診断のための教師なし・半教師付き深層学習手法の体系的・包括的評価について述べる。 我々は、10のモデルと4のスコアリング関数のグリッドを通して、モデルエラーのモデルと後処理を変え、これらの変種を最先端の手法と比較する。 既存の評価指標は、事象を考慮に入れていないか、良い検知器と自明な検出器を区別できないかのどちらかである。
  論文  参考訳（メタデータ） (2021-09-23T15:14:24Z)
• Learning Dependencies in Distributed Cloud Applications to Identify and Localize Anomalies [58.88325379746632]
  本稿では、システムコンポーネントをノードとしてモデル化し、その依存関係をエッジとしてモデル化し、異常の識別と局在を改善するニューラルグラフ変換手法であるArvalusとその変種D-Arvalusを紹介します。 一連のメトリックを考えると、私たちの方法は最も可能性の高いシステム状態 - 正常または異常クラス - を予測し、異常が検出されたときにローカライズを行います。 この評価は、一般にArvalusの良好な予測性能を示し、システムコンポーネント依存性に関する情報を組み込んだD-Arvalusの利点を明らかにします。
  論文  参考訳（メタデータ） (2021-03-09T06:34:05Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• Isolation Distributional Kernel: A New Tool for Point & Group Anomaly Detection [76.1522587605852]
  分離分散カーネル(IDK)は2つの分布の類似性を測定する新しい方法である。 我々は、カーネルベースの異常検出のための新しいツールとして、IDKの有効性と効率を示す。
  論文  参考訳（メタデータ） (2020-09-24T12:25:43Z)

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。