論文の概要: gen2Out: Detecting and Ranking Generalized Anomalies

• arxiv url: http://arxiv.org/abs/2109.02704v1
• Date: Mon, 6 Sep 2021 19:29:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-08 14:34:05.897755
• Title: gen2Out: Detecting and Ranking Generalized Anomalies
• Title（参考訳）: gen2out: 一般的な異常の検出とランキング
• Authors: Meng-Chieh Lee, Shubhranshu Shekhar, Christos Faloutsos, T. Noah Hutson, Leon Iasemidis
• Abstract要約: 我々は2次元の異常検出を初めて一般化した。 gen2Outは不審な順序で検出するだけでなく、ランク、異常も検出する。 実世界のてんかん性記録(200GB)の実験はgen2Outの有効性を示した。
• 参考スコア（独自算出の注目度）: 18.235699698922566
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In a cloud of m-dimensional data points, how would we spot, as well as rank, both single-point- as well as group- anomalies? We are the first to generalize anomaly detection in two dimensions: The first dimension is that we handle both point-anomalies, as well as group-anomalies, under a unified view -- we shall refer to them as generalized anomalies. The second dimension is that gen2Out not only detects, but also ranks, anomalies in suspiciousness order. Detection, and ranking, of anomalies has numerous applications: For example, in EEG recordings of an epileptic patient, an anomaly may indicate a seizure; in computer network traffic data, it may signify a power failure, or a DoS/DDoS attack. We start by setting some reasonable axioms; surprisingly, none of the earlier methods pass all the axioms. Our main contribution is the gen2Out algorithm, that has the following desirable properties: (a) Principled and Sound anomaly scoring that obeys the axioms for detectors, (b) Doubly-general in that it detects, as well as ranks generalized anomaly -- both point- and group-anomalies, (c) Scalable, it is fast and scalable, linear on input size. (d) Effective, experiments on real-world epileptic recordings (200GB) demonstrate effectiveness of gen2Out as confirmed by clinicians. Experiments on 27 real-world benchmark datasets show that gen2Out detects ground truth groups, matches or outperforms point-anomaly baseline algorithms on accuracy, with no competition for group-anomalies and requires about 2 minutes for 1 million data points on a stock machine.
• Abstract（参考訳）: m次元のデータポイントの雲では、どのようにして、単一点とグループ異常の両方のランクを見つけるのか? 我々は最初に2次元で異常検出を一般化した: 第一の次元は、統一されたビューの下で、ポイント・アノマリーとグループ・アノマリーの両方を扱うことである。 第2の次元は、gen2Outは不審な順序で検出するだけでなく、ランク、異常も検出する。 例えば、てんかん患者の脳波記録では、異常は発作を示す可能性がある;コンピュータネットワークのトラフィックデータでは、電源障害またはDoS/DDoS攻撃を意味する。 まずは妥当な公理を設定することから始めます — 驚くべきことに、以前のどのメソッドもすべての公理をパスしません。 主な貢献はgen2outアルゴリズムで、次のような望ましい特性を備えています。 (a) 検出器の公理に従う、原則と音の異常スコア、 (b) 検出する2倍の一般、そして一般的な異常のランク -- ポイントとグループの両方の異常、 (c) スケーラブルで、高速でスケーラブルで、入力サイズに線形です。 (d)実世界のてんかん記録(200gb)の実験は臨床医が確認したようにgen2outの有効性を示す。 27の実世界のベンチマークデータセットによる実験によると、gen2Outは、ストレートマシン上の100万のデータポイントに対して約2分を要せず、精度で地上の真理グループ、マッチ、またはアウトパフォーマンスのポイントアノマリーベースラインアルゴリズムを検出する。

関連論文リスト

• 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)
• 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)
• Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection [90.32910087103744]
  ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。 これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。 トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。 本稿では,オープンセット型教師付き異常検出に取り組む。
  論文  参考訳（メタデータ） (2022-03-28T05:21:37Z)
• 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)
• New Methods and Datasets for Group Anomaly Detection From Fundamental Physics [0.4297070083645048]
  教師なしのグループ異常検出は、基礎物理学の新たなフロンティアとなっている。 グループ異常検出アルゴリズムの開発のために,現実的な合成ベンチマークデータセット(LHCO 2020)を提案する。
  論文  参考訳（メタデータ） (2021-07-06T18:00:57Z)
• Understanding the Effect of Bias in Deep Anomaly Detection [15.83398707988473]
  異常検出はラベル付き異常データの不足のため、機械学習においてユニークな課題となる。 最近の研究は、追加のラベル付き異常サンプルによる深部異常検出モデルのトレーニングを増強することで、このような問題を緩和しようとするものである。 本稿では,異常検出に対するバイアス付き異常集合の効果を理解することを目的とする。
  論文  参考訳（メタデータ） (2021-05-16T03:55:02Z)
• Hop-Count Based Self-Supervised Anomaly Detection on Attributed Networks [8.608288231153304]
  ローカル情報とグローバルコンテキスト情報の両方をモデル化して異常を検出するHCM(Hop-count based model)を提案する。 ホップカウントを異常識別に有効活用するため,ホップカウント予測を自己監視タスクとして用いることを提案する。
  論文  参考訳（メタデータ） (2021-04-16T06:43:05Z)
• Anomaly detection using principles of human perception [0.0]
  簡易かつリアルタイムかつパラメータフリーな教師なし異常検出アルゴリズムを開発した。 考えは、異常は、データの大半によって行われた特定のグループに関して予期しない観察であると仮定することです。
  論文  参考訳（メタデータ） (2021-03-23T05:46:27Z)
• Fast and Accurate Anomaly Detection in Dynamic Graphs with a Two-Pronged Approach [49.25767340466445]
  動的グラフにおける異常検出のためのオンラインアルゴリズムAnomRankを提案する。 AnomRank氏は、異常を示す2つの新しいメトリクスを定義する2段階のアプローチを使用している。 理論的,実験的に,この2つのアプローチが共通の2種類の異常の検出に成功していることを示す。
  論文  参考訳（メタデータ） (2020-11-26T01:38:27Z)
• Deep Weakly-supervised Anomaly Detection [118.55172352231381]
  ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。 PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。 12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
  論文  参考訳（メタデータ） (2019-10-30T00:40:25Z)

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。