論文の概要: Anomaly Detection for Aggregated Data Using Multi-Graph Autoencoder
- arxiv url: http://arxiv.org/abs/2101.04053v1
- Date: Mon, 11 Jan 2021 17:38:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-04 14:30:06.744124
- Title: Anomaly Detection for Aggregated Data Using Multi-Graph Autoencoder
- Title（参考訳）: マルチグラフオートエンコーダを用いた集約データの異常検出
- Authors: Tomer Meirman, Roni Stern, Gilad Katz
- Abstract要約: システムログの異常検出モデルの作成に重点を置いている。
集約されたデータと集約されたイベント間の関係を徹底的に分析する。
本稿では,新しい畳み込みグラフ自動エンコーダモデルMGAEを提案する。
- 参考スコア（独自算出の注目度）: 21.81622481466591
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In data systems, activities or events are continuously collected in the field
to trace their proper executions. Logging, which means recording sequences of
events, can be used for analyzing system failures and malfunctions, and
identifying the causes and locations of such issues. In our research we focus
on creating an Anomaly detection models for system logs. The task of anomaly
detection is identifying unexpected events in dataset, which differ from the
normal behavior. Anomaly detection models also assist in data systems analysis
tasks.
Modern systems may produce such a large amount of events monitoring every
individual event is not feasible. In such cases, the events are often
aggregated over a fixed period of time, reporting the number of times every
event has occurred in that time period. This aggregation facilitates scaling,
but requires a different approach for anomaly detection. In this research, we
present a thorough analysis of the aggregated data and the relationships
between aggregated events. Based on the initial phase of our research we
present graphs representations of our aggregated dataset, which represent the
different relationships between aggregated instances in the same context.
Using the graph representation, we propose Multiple-graphs autoencoder MGAE,
a novel convolutional graphs-autoencoder model which exploits the relationships
of the aggregated instances in our unique dataset. MGAE outperforms standard
graph-autoencoder models and the different experiments. With our novel MGAE we
present 60% decrease in reconstruction error in comparison to standard graph
autoencoder, which is expressed in reconstructing high-degree relationships.
- Abstract（参考訳）: データシステムでは、アクティビティやイベントがフィールドで継続的に収集され、適切な実行をトレースします。
ログは、イベントのシーケンスを記録することを意味し、システム障害や障害を分析し、そのような問題の原因や場所を特定するのに使用することができる。
本研究では,システムログの異常検出モデルの作成に焦点をあてる。
異常検出のタスクは、通常の行動とは異なるデータセットにおける予期せぬ事象を特定することである。
異常検出モデルは、データシステム分析タスクも支援する。
現代のシステムは、個々のイベントを監視できるような大量のイベントを発生させることは不可能である。
このような場合、イベントは一定期間に集約されることが多く、その期間に発生したイベントの回数が報告される。
このアグリゲーションはスケーリングを容易にするが、異常検出には異なるアプローチを必要とする。
本研究では,集約されたデータと集約されたイベントの関係を徹底的に分析する。
研究の初期段階に基づいて、集約されたデータセットのグラフ表現を示し、同じコンテキストにおける集約されたインスタンス間の異なる関係を表現します。
グラフ表現を用いた新しい畳み込みグラフ・オートエンコーダモデルであるMulti-graphs Autoencoder MGAEを提案する。
MGAEは標準グラフオートコーダモデルと異なる実験より優れている。
新しいmgaeでは,高次関係の再構築において表現される標準グラフオートエンコーダと比較して,再構成誤差が60%減少した。
関連論文リスト
- ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。
ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。
各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
論文 参考訳（メタデータ） (2024-05-27T02:42:33Z) - Detecting Anomalous Events in Object-centric Business Processes via
Graph Neural Networks [55.583478485027]
本研究では,ビジネスプロセスにおける異常検出のための新しいフレームワークを提案する。
まず、属性グラフとしてオブジェクト中心のイベントログのプロセス依存性を再構築する。
次に、異常事象を検出するために、グラフ畳み込みオートエンコーダアーキテクチャを用いる。
論文 参考訳（メタデータ） (2024-02-14T14:17:56Z) - MLAD: A Unified Model for Multi-system Log Anomaly Detection [35.68387377240593]
複数のシステムにまたがる意味的関係推論を組み込んだ新しい異常検出モデルMLADを提案する。
具体的には、Sentence-bertを用いてログシーケンス間の類似性を捉え、それらを高次元の学習可能な意味ベクトルに変換する。
我々は,各キーワードのシーケンスにおける意義を識別し,マルチシステムデータセットの全体分布をモデル化するために,アテンション層の公式を改訂する。
論文 参考訳（メタデータ） (2024-01-15T12:51:13Z) - 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) - ADAMM: Anomaly Detection of Attributed Multi-graphs with Metadata: A
Unified Neural Network Approach [39.211176955683285]
有向多重グラフを処理する新しいグラフニューラルネットワークモデルADAMMを提案する。
ADAMMは、教師なしの異常検出目的を通じてメタデータとグラフレベルの表現学習を融合する。
論文 参考訳（メタデータ） (2023-11-13T14:19:36Z) - GLAD: Content-aware Dynamic Graphs For Log Anomaly Detection [49.9884374409624]
GLADは、システムログの異常を検出するように設計されたグラフベースのログ異常検出フレームワークである。
システムログの異常を検出するために設計されたグラフベースのログ異常検出フレームワークであるGLADを紹介する。
論文 参考訳（メタデータ） (2023-09-12T04:21:30Z) - Multivariate Time Series Anomaly Detection via Dynamic Graph Forecasting [0.0]
動的時系列間グラフのリストに基づく時系列異常検出フレームワークDyGraphADを提案する。
中心となる考え方は、シリーズ間関係とシリーズ間時間パターンの正常状態から異常状態へのずれに基づいて異常を検出することである。
実世界のデータセットに関する数値実験により,DyGraphADはベースライン異常検出手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2023-02-04T01:27:01Z) - From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale
Contrastive Learning Approach [49.439021563395976]
グラフデータからの異常検出は、ソーシャルネットワーク、金融、eコマースなど、多くのアプリケーションにおいて重要なデータマイニングタスクである。
マルチスケールcONtrastive lEarning(略してANEMONE)を用いた新しいフレームワーク, graph Anomaly dEtection フレームワークを提案する。
グラフニューラルネットワークをバックボーンとして、複数のグラフスケール(ビュー)から情報をエンコードすることで、グラフ内のノードのより良い表現を学習する。
論文 参考訳（メタデータ） (2022-02-11T09:45:11Z) - Deep Time Series Models for Scarce Data [8.673181404172963]
時系列データは多くの領域で爆発的な速度で成長し、時系列モデリング研究の急増を刺激している。
データ希少性は、膨大なデータ分析の問題で発生する普遍的な問題です。
論文 参考訳（メタデータ） (2021-03-16T22:16:54Z) - 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)
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。