論文の概要: Recomposition vs. Prediction: A Novel Anomaly Detection for Discrete
Events Based On Autoencoder
- arxiv url: http://arxiv.org/abs/2012.13972v1
- Date: Sun, 27 Dec 2020 16:31:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-24 20:10:46.775837
- Title: Recomposition vs. Prediction: A Novel Anomaly Detection for Discrete
Events Based On Autoencoder
- Title（参考訳）: Recomposition vs.
予測:オートエンコーダに基づく離散事象の新しい異常検出
- Authors: Lun-Pin Yuan, Peng Liu, Sencun Zhu
- Abstract要約: 侵入検知の分野で最も難しい問題の1つは、離散イベントログの異常検出である。
離散イベントログのDeep Autoencoderベースの異常検出手法であるDabLogを提案する。
解析(符号化)と再構成(復号化)により、シーケンスが正常または異常かどうかを判定します。
- 参考スコア（独自算出の注目度）: 5.781280693720236
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: One of the most challenging problems in the field of intrusion detection is
anomaly detection for discrete event logs. While most earlier work focused on
applying unsupervised learning upon engineered features, most recent work has
started to resolve this challenge by applying deep learning methodology to
abstraction of discrete event entries. Inspired by natural language processing,
LSTM-based anomaly detection models were proposed. They try to predict upcoming
events, and raise an anomaly alert when a prediction fails to meet a certain
criterion. However, such a predict-next-event methodology has a fundamental
limitation: event predictions may not be able to fully exploit the distinctive
characteristics of sequences. This limitation leads to high false positives
(FPs) and high false negatives (FNs). It is also critical to examine the
structure of sequences and the bi-directional causality among individual
events. To this end, we propose a new methodology: Recomposing event sequences
as anomaly detection. We propose DabLog, a Deep Autoencoder-Based anomaly
detection method for discrete event Logs. The fundamental difference is that,
rather than predicting upcoming events, our approach determines whether a
sequence is normal or abnormal by analyzing (encoding) and reconstructing
(decoding) the given sequence. Our evaluation results show that our new
methodology can significantly reduce the numbers of FPs and FNs, hence
achieving a higher $F_1$ score.
- Abstract（参考訳）: 侵入検知の分野で最も難しい問題の1つは、離散イベントログの異常検出である。
初期の作業は、エンジニアリングされた機能に教師なしの学習を適用することに集中していたが、最近の作業は、個別のイベントエントリの抽象化にディープラーニングの方法論を適用することで、この課題を解決し始めた。
自然言語処理にインスパイアされたLSTMに基づく異常検出モデルが提案された。
彼らは今後のイベントを予測し、予測が一定の基準を満たせなかった場合に異常警報を発生させようとする。
しかし、このような予測-次の事象の方法論には根本的な制限がある。
この制限は、高い偽陽性(FPs)と高い偽陰性(FNs)をもたらす。
また、個々の事象のシーケンスの構造と双方向因果関係を調べることも重要である。
そこで本研究では,イベント列を異常検出として再構成する手法を提案する。
離散イベントログのためのディープオートエンコーダに基づく異常検出手法であるDabLogを提案する。
基本的な違いは、今後のイベントを予測するのではなく、シーケンスを解析(エンコーディング)し、与えられたシーケンスを再構築(デコード)することで、シーケンスが正常か異常かを判断することです。
評価の結果,本手法はFPとFNの数を著しく削減し,F_1$スコアを高くすることができることがわかった。
関連論文リスト
- Event Detection via Probability Density Function Regression [0.0]
本研究では、時間間隔定義イベント検出問題を再編成する一般化回帰に基づく手法を提案する。
コンピュータビジョンからの熱マップ回帰技術にインスパイアされた本手法は,事象発生時の確率密度を予測することを目的としている。
回帰に基づくアプローチは,様々な最先端のベースラインネットワークやデータセットのセグメンテーションに基づく手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-08-23T01:58:56Z) - xSemAD: Explainable Semantic Anomaly Detection in Event Logs Using Sequence-to-Sequence Models [1.6713531923053913]
この研究は意味的異常検出のギャップに対処し、通常、異常の性質を説明することなく、異常の発生を示す。
我々はxSemADを提案する。xSemADは、シーケンス・ツー・シーケンス・モデルを用いて、純粋な識別を超越し、拡張された説明を提供するアプローチである。
実験により,本手法は既存の意味的異常検出手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2024-06-28T09:06:52Z) - Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳（メタデータ） (2024-01-11T10:10:16Z) - Abnormal Event Detection via Hypergraph Contrastive Learning [54.80429341415227]
異常事象検出は多くの実アプリケーションにおいて重要な役割を果たす。
本稿では,分散異種情報ネットワークにおける異常事象検出問題について検討する。
AEHCLと呼ばれる新しいハイパーグラフコントラスト学習法が,異常事象のパターンをフルに捉えるために提案されている。
論文 参考訳（メタデータ） (2023-04-02T08:23:20Z) - 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) - Towards Out-of-Distribution Sequential Event Prediction: A Causal
Treatment [72.50906475214457]
シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。
実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。
文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-24T07:54:13Z) - The Analysis of Online Event Streams: Predicting the Next Activity for
Anomaly Detection [0.696125353550498]
我々は,オンラインイベント異常検出問題に対して,次世代の予測手法を用いて取り組むことを提案する。
これらの予測異常検出手法と4つの古典的教師なし異常検出手法を比較した。
論文 参考訳（メタデータ） (2022-03-17T21:17:19Z) - 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) - Multi-Scale One-Class Recurrent Neural Networks for Discrete Event
Sequence Anomaly Detection [63.825781848587376]
本稿では,離散イベントシーケンス中の異常を検出する1クラスリカレントニューラルネットワークOC4Seqを提案する。
具体的には、OC4Seqは離散イベントシーケンスを遅延空間に埋め込み、異常を容易に検出することができる。
論文 参考訳（メタデータ） (2020-08-31T04:48:22Z) - A Background-Agnostic Framework with Adversarial Training for Abnormal
Event Detection in Video [120.18562044084678]
近年,ビデオにおける異常事象検出は複雑なコンピュータビジョンの問題として注目されている。
通常のイベントのみを含むトレーニングビデオから学習するバックグラウンドに依存しないフレームワークを提案する。
論文 参考訳（メタデータ） (2020-08-27T18:39:24Z) - Sequential Adversarial Anomaly Detection for One-Class Event Data [18.577418448786634]
本稿では,異常なシーケンスのみを利用できる場合の1クラス設定における逐次異常検出問題について考察する。
生成器から最悪のケース列に対して最適な検出器を見つけるために,ミニマックス問題を解くことで,逆数列検出器を提案する。
論文 参考訳（メタデータ） (2019-10-21T06:12:47Z)
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。