論文の概要: Isconna: Streaming Anomaly Detection with Frequency and Patterns
- arxiv url: http://arxiv.org/abs/2104.01632v1
- Date: Sun, 4 Apr 2021 15:42:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-07 04:25:19.930716
- Title: Isconna: Streaming Anomaly Detection with Frequency and Patterns
- Title（参考訳）: Isconna: 周波数とパターンによるストリーム異常検出
- Authors: Rui Liu, Siddharth Bhatia, Bryan Hooi
- Abstract要約: エッジレコードの周波数とパターンの両方に焦点を当てたIsconnaを提案します。
Isconnaはパターンスニペットを積極的に探索したり維持したりせず、エッジレコードの連続的な存在と欠如を計測する。
実験によると、Isconnaは6つの実世界のデータセットの5つの最先端の周波数および/またはパターンベースのベースラインを、最大2000万のエッジレコードで上回っている。
- 参考スコア（独自算出の注目度）: 21.561725723402414
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An edge stream is a common form of presentation of dynamic networks. It can
evolve with time, with new types of nodes or edges being continuously added.
Existing methods for anomaly detection rely on edge occurrence counts or
compare pattern snippets found in historical records. In this work, we propose
Isconna, which focuses on both the frequency and the pattern of edge records.
The burst detection component targets anomalies between individual timestamps,
while the pattern detection component highlights anomalies across segments of
timestamps. These two components together produce three intermediate scores,
which are aggregated into the final anomaly score. Isconna does not actively
explore or maintain pattern snippets; it instead measures the consecutive
presence and absence of edge records. Isconna is an online algorithm, it does
not keep the original information of edge records; only statistical values are
maintained in a few count-min sketches (CMS). Isconna's space complexity
$O(rc)$ is determined by two user-specific parameters, the size of CMSs. In
worst case, Isconna's time complexity can be up to $O(rc)$, but it can be
amortized in practice. Experiments show that Isconna outperforms five
state-of-the-art frequency- and/or pattern-based baselines on six real-world
datasets with up to 20 million edge records.
- Abstract（参考訳）: エッジストリームは動的ネットワークの一般的な形式のプレゼンテーションである。
時間とともに進化し、新しいタイプのノードやエッジが継続的に追加される。
既存の異常検出方法は、過去の記録に見られるエッジ発生数やパターンスニペットの比較に依存する。
本研究では,エッジレコードの周波数とパターンに着目したIsconnaを提案する。
バースト検出コンポーネントは個々のタイムスタンプ間の異常をターゲットとし、パターン検出コンポーネントはタイムスタンプのセグメント間で異常をハイライトする。
これら2つのコンポーネントは3つの中間スコアを生成し、最終異常スコアに集約される。
Isconnaはパターンスニペットを積極的に探索したり維持したりせず、エッジレコードの連続的な存在と欠如を計測する。
isconnaはオンラインアルゴリズムであり、エッジレコードのオリジナル情報を保持せず、数回のカウントミンスケッチ(cms)で統計値のみが保持される。
Isconnaの空間複雑性$O(rc)$は、CMSのサイズである2つのユーザ固有のパラメータによって決定される。
最悪の場合、Isconnaの時間複雑性は最大$O(rc)$になるが、実際は償却できる。
実験によると、Isconnaは最大2000万のエッジレコードを持つ6つの実世界のデータセットに対して、最先端の周波数および/またはパターンベースのベースラインを5つ上回っている。
関連論文リスト
- A Classifier-Based Approach to Multi-Class Anomaly Detection Applied to Astronomical Time-Series [0.0]
異常検出は多くの科学分野において 未解決の問題です
天文時系列のほとんどの異常検出アルゴリズムは、手作りの特徴か、教師なし表現学習によって生成された特徴に依存している。
本稿では,ニューラルネットワーク分類器の潜時空間を利用した異常検出手法を提案する。
論文 参考訳（メタデータ） (2024-08-05T18:00:00Z) - Dynamic Erasing Network Based on Multi-Scale Temporal Features for
Weakly Supervised Video Anomaly Detection [103.92970668001277]
弱教師付きビデオ異常検出のための動的消去ネットワーク(DE-Net)を提案する。
まず,異なる長さのセグメントから特徴を抽出できるマルチスケール時間モデリングモジュールを提案する。
そして,検出された異常の完全性を動的に評価する動的消去戦略を設計する。
論文 参考訳（メタデータ） (2023-12-04T09:40:11Z) - Unraveling the "Anomaly" in Time Series Anomaly Detection: A
Self-supervised Tri-domain Solution [89.16750999704969]
異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。
自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。
自己教師型3領域異常検出器(TriAD)を提案する。
論文 参考訳（メタデータ） (2023-11-19T05:37:18Z) - Semi-Supervised and Long-Tailed Object Detection with CascadeMatch [91.86787064083012]
そこで我々はCascadeMatchと呼ばれる新しい擬似ラベル型検出器を提案する。
我々の検出器は、プログレッシブな信頼しきい値を持つ多段検出ヘッドを備えたカスケードネットワークアーキテクチャを備えている。
CascadeMatchは、長い尾のオブジェクト検出の処理において、既存の最先端の半教師付きアプローチを超越していることを示す。
論文 参考訳（メタデータ） (2023-05-24T07:09:25Z) - 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) - Recurrent segmentation meets block models in temporal networks [2.4511852052357628]
実世界のネットワークは、$H$を下げたときに劣化しない可能性があるため、繰り返しの動作を示す。
我々は、データセット毎に$O(KHm + Rn + R2H)$時間を必要とする反復アルゴリズムを提案し、$n$と$m$はネットワーク内のノード数とエッジ数である。
論文 参考訳（メタデータ） (2022-05-19T21:10:52Z) - Sketch-Based Anomaly Detection in Streaming Graphs [89.52200264469364]
動的グラフからのグラフエッジのストリームを前提に、オンライン形式でエッジやサブグラフに異常スコアを割り当てるにはどうすればよいのか?
本手法は,高密度部分グラフ探索を取り入れた最初のストリーミング手法であり,一定時間におけるグラフ異常を検出する。
論文 参考訳（メタデータ） (2021-06-08T16:10:36Z) - 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) - Chained-Tracker: Chaining Paired Attentive Regression Results for
End-to-End Joint Multiple-Object Detection and Tracking [102.31092931373232]
そこで我々は,3つのサブタスク全てをエンド・ツー・エンドのソリューションに統合する簡単なオンラインモデルである Chained-Tracker (CTracker) を提案する。
鎖状構造と対の注意的回帰という2つの大きな特徴は、CTrackerをシンプルに、速く、効果的にする。
論文 参考訳（メタデータ） (2020-07-29T02:38:49Z)
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。