論文の概要: Applications of Generative Adversarial Networks in Anomaly Detection: A
Systematic Literature Review
- arxiv url: http://arxiv.org/abs/2110.12076v1
- Date: Fri, 22 Oct 2021 21:48:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-26 16:34:57.275380
- Title: Applications of Generative Adversarial Networks in Anomaly Detection: A
Systematic Literature Review
- Title（参考訳）: 異常検出における生成的対向ネットワークの応用:体系的文献レビュー
- Authors: Mikael Sabuhi, Ming Zhou, Cor-Paul Bezemer, Petr Musilek
- Abstract要約: GAN(Generative Adversarial Network)は異常検出研究において大きな注目を集めている。
本稿では,GANの異常検出への応用について,系統的な文献レビューを行う。
- 参考スコア（独自算出の注目度）: 28.752089275446462
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomaly detection has become an indispensable tool for modern society,
applied in a wide range of applications, from detecting fraudulent transactions
to malignant brain tumours. Over time, many anomaly detection techniques have
been introduced. However, in general, they all suffer from the same problem: a
lack of data that represents anomalous behaviour. As anomalous behaviour is
usually costly (or dangerous) for a system, it is difficult to gather enough
data that represents such behaviour. This, in turn, makes it difficult to
develop and evaluate anomaly detection techniques. Recently, generative
adversarial networks (GANs) have attracted a great deal of attention in anomaly
detection research, due to their unique ability to generate new data. In this
paper, we present a systematic literature review of the applications of GANs in
anomaly detection, covering 128 papers on the subject. The goal of this review
paper is to analyze and summarize: (1) which anomaly detection techniques can
benefit from certain types of GANs, and how, (2) in which application domains
GAN-assisted anomaly detection techniques have been applied, and (3) which
datasets and performance metrics have been used to evaluate these techniques.
Our study helps researchers and practitioners to find the most suitable
GAN-assisted anomaly detection technique for their application. In addition, we
present a research roadmap for future studies in this area.
- Abstract（参考訳）: 異常検出は、不正取引の検出から悪性脳腫瘍まで幅広い応用に適用される現代社会にとって欠かせないツールとなっている。
時間とともに、多くの異常検出技術が導入された。
しかし、一般的には、それらはすべて同じ問題、つまり異常な振る舞いを表すデータの欠如に悩まされる。
異常な振る舞いは通常、システムにとってコストがかかる(あるいは危険な)ため、そのような振る舞いを表す十分なデータを集めるのは難しい。
これにより、異常検出技術の開発と評価が困難になる。
近年、GAN(Generative Adversarial Network)は、新しいデータを生成するユニークな能力のため、異常検出研究において大きな注目を集めている。
本稿では, 異常検出におけるGANの応用に関する系統的な文献レビューを行い, 128論文について報告する。
本研究の目的は,(1)特定の種類のGANから異常検出技術が有用であるか,(2)アプリケーションドメインのGAN支援異常検出技術が適用されているか,(3)これらの手法を評価するためにデータセットと性能指標が使用されているか,などを分析することである。
我々の研究は、研究者や実践者が最も適したGAN支援異常検出技術を見つけるのに役立ちます。
また,この分野における今後の研究のロードマップについて述べる。
関連論文リスト
- A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。
このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。
我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文 参考訳（メタデータ） (2024-06-05T13:40:07Z) - Anomaly Detection in Graph Structured Data: A Survey [0.46040036610482665]
本稿では,グラフデータにおける異常検出手法の概要を概観する。
本稿では,最先端の異常検出手法を分類する新しい分類法を提案する。
論文 参考訳（メタデータ） (2024-05-10T01:30:25Z) - Progressing from Anomaly Detection to Automated Log Labeling and
Pioneering Root Cause Analysis [53.24804865821692]
本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。
この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
論文 参考訳（メタデータ） (2023-12-22T15:04:20Z) - Precursor-of-Anomaly Detection for Irregular Time Series [31.73234935455713]
本稿では,新しいタイプの異常検出法であるPrecursor-of-Anomaly(PoA)について述べる。
両問題を同時に解くために,ニューラルネットワークとマルチタスク学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-06-27T14:10:09Z) - Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。
時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。
本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
論文 参考訳（メタデータ） (2022-11-09T22:40:22Z) - 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) - A Taxonomy of Anomalies in Log Data [0.09558392439655014]
異常の一般的な分類法は、すでに存在するが、ログデータに特に適用されていない。
本稿では,異なる種類のログデータ異常に対する分類法を提案し,ラベル付きデータセットにおけるそのような異常を分析する方法を提案する。
以上の結果から,最も一般的な異常型が予測し易いことが示唆された。
論文 参考訳（メタデータ） (2021-11-26T12:23:06Z) - A Critical Study on the Recent Deep Learning Based Semi-Supervised Video
Anomaly Detection Methods [3.198144010381572]
本稿では,この分野の研究者を新たな視点に紹介し,最近の深層学習に基づく半教師付きビデオ異常検出手法についてレビューする。
私たちのゴールは、より効果的なビデオ異常検出方法の開発を支援することです。
論文 参考訳（メタデータ） (2021-11-02T14:00:33Z) - A Survey on Anomaly Detection for Technical Systems using LSTM Networks [0.0]
異常は、意図されたシステムの動作から逸脱し、部分的または完全なシステム障害と同様に効率が低下する可能性がある。
本稿では,ディープニューラルネットワーク,特に長期記憶ネットワークを用いた最先端異常検出に関する調査を行う。
調査したアプローチは、アプリケーションシナリオ、データ、異常タイプ、およびさらなるメトリクスに基づいて評価される。
論文 参考訳（メタデータ） (2021-05-28T13:24:40Z) - 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) - Anomalous Example Detection in Deep Learning: A Survey [98.2295889723002]
本調査は,ディープラーニングアプリケーションにおける異常検出の研究について,構造化された包括的概要を提供する。
既存の技術に対する分類法を,その基礎となる前提と採用アプローチに基づいて提案する。
本稿では,DLシステムに異常検出技術を適用しながら未解決の研究課題を取り上げ,今後の課題について述べる。
論文 参考訳（メタデータ） (2020-03-16T02:47:23Z)
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。