論文の概要: Am I Rare? An Intelligent Summarization Approach for Identifying Hidden Anomalies

• arxiv url: http://arxiv.org/abs/2012.15755v1
• Date: Thu, 24 Dec 2020 23:22:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-25 08:49:32.893641
• Title: Am I Rare? An Intelligent Summarization Approach for Identifying Hidden Anomalies
• Title（参考訳）: 珍しいのか? 隠れた異常を識別するためのインテリジェント要約手法
• Authors: Samira Ghodratnama and Mehrdad Zakershahrak and Fariborz Sobhanmanesh
• Abstract要約: 本稿では,INSIDENTと呼ばれる隠れ異常を識別するインテリジェント・サマリゼーション手法を提案する。 提案手法は,各クラスタの特徴を局所重み付けすることにより,特徴空間を特徴空間に動的にマッピングするクラスタリングに基づくアルゴリズムである。 また、クラスタサイズに基づく代表者の選択は、集計データ内の元のデータと同じ分布を保持する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Monitoring network traffic data to detect any hidden patterns of anomalies is a challenging and time-consuming task that requires high computing resources. To this end, an appropriate summarization technique is of great importance, where it can be a substitute for the original data. However, the summarized data is under the threat of removing anomalies. Therefore, it is vital to create a summary that can reflect the same pattern as the original data. Therefore, in this paper, we propose an INtelligent Summarization approach for IDENTifying hidden anomalies, called INSIDENT. The proposed approach guarantees to keep the original data distribution in summarized data. Our approach is a clustering-based algorithm that dynamically maps original feature space to a new feature space by locally weighting features in each cluster. Therefore, in new feature space, similar samples are closer, and consequently, outliers are more detectable. Besides, selecting representatives based on cluster size keeps the same distribution as the original data in summarized data. INSIDENT can be used both as the preprocess approach before performing anomaly detection algorithms and anomaly detection algorithm. The experimental results on benchmark datasets prove a summary of the data can be a substitute for original data in the anomaly detection task.
• Abstract（参考訳）: ネットワークトラフィックデータを監視して、隠れた異常パターンを検出することは、高いコンピューティングリソースを必要とする困難で時間のかかるタスクである。 この目的のためには、元のデータに代わるものとして、適切な要約技術が非常に重要である。 しかし、要約されたデータは異常を取り除く脅威にさらされている。 したがって、元のデータと同じパターンを反映できる要約を作成することが不可欠である。 そこで本研究では,隠れ異常を識別するための知能要約手法であるINSIDENTを提案する。 提案手法は,元データ分布を要約データに保持することを保証する。 提案手法は,各クラスタの特徴を局所重み付けすることにより,特徴空間を特徴空間に動的にマッピングするクラスタリングに基づくアルゴリズムである。 したがって、新しい特徴空間では、類似のサンプルが近くなり、その結果、外れ値がより検出できる。 また、クラスタサイズに基づく代表者の選択は、集計データ内の元のデータと同じ分布を保持する。 INSIDENTは、異常検出アルゴリズムと異常検出アルゴリズムを実行する前に、前処理アプローチとして使用できる。 ベンチマークデータセットの実験結果は、データの要約が異常検出タスクにおける元のデータの代わりになることを示す。

関連論文リスト

• Research on Dynamic Data Flow Anomaly Detection based on Machine Learning [11.526496773281938]
  本研究では,非教師なし学習法を用いて動的データフローの異常を同定する。 類似したデータをクラスタリングすることで、ラベル付きデータを必要とせずに、通常のトラフィックから著しく逸脱するデータ挙動を検出することができる。 特に、不均衡なデータのコンテキストにおいて、堅牢で適応可能なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-09-23T08:19:15Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Anomaly Detection by Context Contrasting [57.695202846009714]
  異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。 近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。 我々はコンテキスト拡張を通じて学習するCon$を提案する。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• Active anomaly detection based on deep one-class classification [9.904380236739398]
  我々は,Deep SVDDにおけるアクティブラーニングの2つの重要な課題,すなわちクエリ戦略と半教師付きラーニング手法に対処する。 まず、単に異常を識別するのではなく、適応境界に従って不確実なサンプルを選択する。 第2に、ラベル付き正規データと異常データの両方を効果的に組み込むために、一級分類モデルの訓練にノイズコントラスト推定を適用した。
  論文  参考訳（メタデータ） (2023-09-18T03:56:45Z)
• Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
  我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。 新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。 反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
  論文  参考訳（メタデータ） (2022-12-06T12:42:11Z)
• Anomaly Detection with Test Time Augmentation and Consistency Evaluation [13.709281244889691]
  本稿では,TTA-AD(Test Time Augmentation Anomaly Detection)と呼ばれる簡易かつ効果的な異常検出アルゴリズムを提案する。 我々は、分散データよりもトレーニングされたネットワーク上でのオリジナルバージョンと拡張バージョンについて、分散データの方が一貫性のある予測を楽しむことを観察した。 様々な高解像度画像ベンチマークデータセットの実験は、TTA-ADが同等またはより良い検出性能を達成することを示した。
  論文  参考訳（メタデータ） (2022-06-06T04:27:06Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• DASVDD: Deep Autoencoding Support Vector Data Descriptor for Anomaly Detection [9.19194451963411]
  半教師付き異常検出は、通常のデータに基づいて訓練されたモデルを用いて、通常のサンプルから異常を検出することを目的としている。 本稿では,自己エンコーダのパラメータを協調的に学習する手法であるDASVDDを提案する。
  論文  参考訳（メタデータ） (2021-06-09T21:57:41Z)
• Meta-learning One-class Classifiers with Eigenvalue Solvers for Supervised Anomaly Detection [55.888835686183995]
  教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。 提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
  論文  参考訳（メタデータ） (2021-03-01T01:43:04Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• History-based Anomaly Detector: an Adversarial Approach to Anomaly Detection [3.908842679355254]
  異常検出は多くの領域で難しい問題であり、最近は多くの注目を集めている。 我々は,ヒストリーベースの異常検知器 (HistoryAD) と呼ばれる,この問題に対処するための,単純かつ新しい逆法を提案する。 自己教師型モデルで構成されており、以前に訓練されたGANのトレーニング履歴に基づいてサンプルと比較することで、正常なサンプルを認識するように訓練されている。
  論文  参考訳（メタデータ） (2019-12-26T11:41:17Z)

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。