論文の概要: MemStream: Memory-Based Anomaly Detection in Multi-Aspect Streams with
Concept Drift
- arxiv url: http://arxiv.org/abs/2106.03837v1
- Date: Mon, 7 Jun 2021 17:54:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-08 19:51:30.648440
- Title: MemStream: Memory-Based Anomaly Detection in Multi-Aspect Streams with
Concept Drift
- Title（参考訳）: MemStream:コンセプトドリフトを用いたマルチアスペクトストリームにおけるメモリベース異常検出
- Authors: Siddharth Bhatia, Arjit Jain, Shivin Srivastava, Kenji Kawaguchi,
Bryan Hooi
- Abstract要約: 本稿では,ストリーミングマルチアスペクト異常検出フレームワークであるMemStreamを提案する。
我々はデノナイズドオートエンコーダのパワーを活用して表現とメモリモジュールを学習し、データの動的に変化する傾向を学習する。
実験により,最先端のストリーミングベースラインと比較して,本手法の有効性が示された。
- 参考スコア（独自算出の注目度）: 20.143379054091536
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Given a stream of entries over time in a multi-aspect data setting where
concept drift is present, how can we detect anomalous activities? Most of the
existing unsupervised anomaly detection approaches seek to detect anomalous
events in an offline fashion and require a large amount of data for training.
This is not practical in real-life scenarios where we receive the data in a
streaming manner and do not know the size of the stream beforehand. Thus, we
need a data-efficient method that can detect and adapt to changing data trends,
or concept drift, in an online manner. In this work, we propose MemStream, a
streaming multi-aspect anomaly detection framework, allowing us to detect
unusual events as they occur while being resilient to concept drift. We
leverage the power of a denoising autoencoder to learn representations and a
memory module to learn the dynamically changing trend in data without the need
for labels. We prove the optimum memory size required for effective drift
handling. Furthermore, MemStream makes use of two architecture design choices
to be robust to memory poisoning. Experimental results show the effectiveness
of our approach compared to state-of-the-art streaming baselines using 2
synthetic datasets and 11 real-world datasets.
- Abstract（参考訳）: 概念ドリフトが存在するマルチスペクトルデータセットにおいて、時間とともにエントリのストリームが与えられると、異常なアクティビティを検出するにはどうすればよいのか?
既存の教師なし異常検出アプローチのほとんどは、オフラインで異常なイベントを検出し、トレーニングのために大量のデータを必要とする。
これは、ストリーミング形式でデータを受信し、事前にストリームのサイズを知らない実際のシナリオでは実用的ではありません。
したがって、データトレンドの変化やコンセプトドリフトをオンライン形式で検出し、適応できるデータ効率のよい方法が必要となる。
本研究では,ストリーミングマルチスペクトル異常検出フレームワークであるmemstreamを提案する。
雑音の自動エンコーダのパワーを利用して表現とメモリモジュールを学習し,ラベルを必要とせずに動的に変化するデータトレンドを学習する。
効率的なドリフトハンドリングに必要なメモリサイズを最適に証明する。
さらにMemStreamは、メモリ中毒に対して堅牢な2つのアーキテクチャ設計を選択している。
実験の結果,2つの合成データセットと11個の実世界のデータセットを用いた最先端ストリーミングベースラインと比較して,本手法の有効性が示された。
関連論文リスト
- CADM: Confusion Model-based Detection Method for Real-drift in Chunk
Data Stream [3.0885191226198785]
コンセプトドリフト検出は、健康モニタリングや故障診断といった現実の多くの応用において重要であることから、かなりの注目を集めている。
本稿では,概念的混乱に基づく限定アノテーションを用いて,チャンクデータストリーム内のリアルタイムドリフトを検出する手法を提案する。
論文 参考訳（メタデータ） (2023-03-25T08:59:27Z) - Dual Memory Aggregation Network for Event-Based Object Detection with
Learnable Representation [79.02808071245634]
イベントベースのカメラはバイオインスパイアされたセンサーで、各ピクセルの明るさ変化を非同期に捉える。
イベントストリームは、正極性と負極性の両方のためにx-y-t座標の格子に分割され、3次元テンソル表現として柱の集合が生成される。
長メモリは適応型convLSTMの隠れ状態に符号化され、短メモリはイベントピラー間の空間的時間的相関を計算することによってモデル化される。
論文 参考訳（メタデータ） (2023-03-17T12:12:41Z) - Streaming Anomaly Detection [7.60882697435906]
まず、カウントミンスケッチを用いて動的グラフの異常エッジをオンラインで検出するMIDASを提案する。
次に、カウントミンスケッチをHigher-Orderスケッチに拡張し、グラフデータの複雑な関係をキャプチャします。
このスケッチを用いて,エッジおよびサブグラフ異常を検出する4つのストリーミング手法を提案する。
論文 参考訳（メタデータ） (2023-01-30T18:59:51Z) - TempNet: Temporal Attention Towards the Detection of Animal Behaviour in
Videos [63.85815474157357]
本稿では,映像中の生物学的行動を検出するための,効率的なコンピュータビジョンと深層学習に基づく手法を提案する。
TempNetはエンコーダブリッジと残留ブロックを使用して、2段階の空間的、そして時間的、エンコーダでモデル性能を維持する。
本研究では,サブルフィッシュ (Anoplopoma fimbria) 幼虫の検出への応用を実証する。
論文 参考訳（メタデータ） (2022-11-17T23:55:12Z) - Context Recovery and Knowledge Retrieval: A Novel Two-Stream Framework
for Video Anomaly Detection [48.05512963355003]
本稿では,文脈回復と知識検索に基づく2ストリームフレームワークを提案する。
文脈回復ストリームに対しては,動き情報を完全に活用して将来のフレームを予測するU-Netを提案する。
知識検索ストリームに対して,学習可能な局所性に敏感なハッシュを提案する。
正規性に関する知識をハッシュテーブルにエンコードして格納し、テストイベントと知識表現の間の距離を用いて異常の確率を明らかにする。
論文 参考訳（メタデータ） (2022-09-07T03:12:02Z) - StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。
本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。
本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
論文 参考訳（メタデータ） (2022-07-21T12:03:02Z) - Real-time Object Detection for Streaming Perception [84.2559631820007]
ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。
ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。
提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
論文 参考訳（メタデータ） (2022-03-23T11:33:27Z) - Detecting Concept Drift With Neural Network Model Uncertainty [0.0]
不確実ドリフト検出(UDD)は、真のラベルにアクセスすることなくドリフトを検出することができる。
入力データに基づくドリフト検出とは対照的に,現在の入力データが予測モデルの特性に与える影響を考察する。
UDDは2つの合成および10の実世界のデータセットにおいて、回帰処理と分類処理の両方において、他の最先端戦略よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-07-05T08:56:36Z) - Xtreaming: an incremental multidimensional projection technique and its
application to streaming data [58.92615359254597]
Xtreamingは、視覚表現を連続的に更新して新しい構造やパターンを反映し、複数の多次元データにアクセスすることなく、新たなインクリメンタルプロジェクション技術である。
実験の結果,Xtreamingは,他のストリーミングやインクリメンタル技術と比較して,グローバルな距離保存の点で競争力があることがわかった。
論文 参考訳（メタデータ） (2020-03-08T04:53:16Z)
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。