論文の概要: UN-AVOIDS: Unsupervised and Nonparametric Approach for Visualizing Outliers and Invariant Detection Scoring

• arxiv url: http://arxiv.org/abs/2111.10010v1
• Date: Fri, 19 Nov 2021 02:31:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-22 16:10:57.326011
• Title: UN-AVOIDS: Unsupervised and Nonparametric Approach for Visualizing Outliers and Invariant Detection Scoring
• Title（参考訳）: UN-AVOIDS:非教師的・非パラメトリックな外乱と不変検出スコーリングの可視化手法
• Authors: Waleed A.Yousef, Issa Traore, William Briguglio
• Abstract要約: UN-AVOIDS(UN-AVOIDS)は、人間のプロセス)と外れ値の検出(アルゴリズムプロセス)の両方に対して、教師なしかつ非パラメトリックなアプローチである。 近傍累積密度関数(NCDF)として導入した新しい空間にデータを変換する。 AUCに関しては、UN-AVOIDSはほぼ総合的な勝者である。
• 参考スコア（独自算出の注目度）: 2.578242050187029
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The visualization and detection of anomalies (outliers) are of crucial importance to many fields, particularly cybersecurity. Several approaches have been proposed in these fields, yet to the best of our knowledge, none of them has fulfilled both objectives, simultaneously or cooperatively, in one coherent framework. The visualization methods of these approaches were introduced for explaining the output of a detection algorithm, not for data exploration that facilitates a standalone visual detection. This is our point of departure: UN-AVOIDS, an unsupervised and nonparametric approach for both visualization (a human process) and detection (an algorithmic process) of outliers, that assigns invariant anomalous scores (normalized to $[0,1]$), rather than hard binary-decision. The main aspect of novelty of UN-AVOIDS is that it transforms data into a new space, which is introduced in this paper as neighborhood cumulative density function (NCDF), in which both visualization and detection are carried out. In this space, outliers are remarkably visually distinguishable, and therefore the anomaly scores assigned by the detection algorithm achieved a high area under the ROC curve (AUC). We assessed UN-AVOIDS on both simulated and two recently published cybersecurity datasets, and compared it to three of the most successful anomaly detection methods: LOF, IF, and FABOD. In terms of AUC, UN-AVOIDS was almost an overall winner. The article concludes by providing a preview of new theoretical and practical avenues for UN-AVOIDS. Among them is designing a visualization aided anomaly detection (VAAD), a type of software that aids analysts by providing UN-AVOIDS' detection algorithm (running in a back engine), NCDF visualization space (rendered to plots), along with other conventional methods of visualization in the original feature space, all of which are linked in one interactive environment.
• Abstract（参考訳）: 異常(異常)の可視化と検出は多くの分野、特にサイバーセキュリティにおいて重要である。 これらの分野ではいくつかのアプローチが提案されているが、私たちの知る限りでは、どちらも同時に、あるいは協調的に、一貫した枠組みで両方の目的を達成できていない。 これらのアプローチの可視化手法は、スタンドアロンの視覚検出を容易にするデータ探索ではなく、検出アルゴリズムの出力を説明するために導入された。 UN-AVOIDSは、厳密な二分決定ではなく、不変の異常スコア(通常$[0,1]$)を割り当てる、外乱の可視化(人間のプロセス)と検出(アルゴリズムプロセス)の両方のための教師なしおよび非パラメトリックなアプローチです。 UN-AVOIDSの新規性の主な特徴は、データを新しい空間に変換することであり、この論文では、近辺累積密度関数 (NCDF) として導入され、可視化と検出の両方を行う。 この領域では、アウトレーヤは著しく視覚的に識別可能であるため、検出アルゴリズムによって割り当てられた異常スコアは、ROC曲線(AUC)の下で高い領域を達成した。 シミュレーションと最近公開された2つのサイバーセキュリティデータセットを用いてUN-AVOIDSを評価し、LOF, IF, FABODの3つの最も成功した異常検出手法と比較した。 AUCに関しては、UN-AVOIDSはほぼ総合的な勝者である。 この記事は、UN-AVOIDSの新しい理論的および実践的な道のプレビューを提供することで締めくくっている。 その中には、UN-AVOIDSの検出アルゴリズム(バックエンジンで動作する)、NCDF可視化空間(プロットに関連付けられている)、および元の特徴空間における他の従来の視覚化方法(いずれも1つのインタラクティブな環境でリンクされている)を提供することで、アナリストを支援するソフトウェアであるVAAD(Anomaly Detection)が設計されている。

関連論文リスト

• Unifying Unsupervised Graph-Level Anomaly Detection and Out-of-Distribution Detection: A Benchmark [73.58840254552656]
  近年,非教師付きグラフレベルの異常検出(GLAD)と教師なしグラフレベルのアウト・オブ・ディストリビューション(OOD)検出が注目されている。 教師なしグラフレベルのOODと異常検出のための統一ベンチマーク(我々の方法)を提案する。 我々のベンチマークでは、4つの実用的な異常とOOD検出シナリオにまたがる35のデータセットを網羅している。 我々は,既存手法の有効性,一般化性,堅牢性,効率性について多次元解析を行った。
  論文  参考訳（メタデータ） (2024-06-21T04:07:43Z)
• 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)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• Diffusion-Based Particle-DETR for BEV Perception [94.88305708174796]
  Bird-Eye-View (BEV)は、自律走行車(AV)における視覚知覚のための最も広く使われているシーンの1つである。 近年の拡散法は、視覚知覚のための不確実性モデリングに有望なアプローチを提供するが、BEVの広い範囲において、小さな物体を効果的に検出することができない。 本稿では,BEVにおける拡散パラダイムと最先端の3Dオブジェクト検出器を組み合わせることで,この問題に対処する。
  論文  参考訳（メタデータ） (2023-12-18T09:52:14Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• CL-Flow:Strengthening the Normalizing Flows by Contrastive Learning for Better Anomaly Detection [1.951082473090397]
  コントラスト学習と2D-Flowを組み合わせた自己教師付き異常検出手法を提案する。 本手法は,主流の教師なし手法と比較して,検出精度が向上し,モデルパラメータが減少し,推論速度が向上することを示す。 BTADデータセットでは,MVTecADデータセットでは画像レベルのAUROCが99.6%,BTADデータセットでは画像レベルのAUROCが96.8%であった。
  論文  参考訳（メタデータ） (2023-11-12T10:07:03Z)
• Object Class Aware Video Anomaly Detection through Image Translation [1.2944868613449219]
  本稿では、画像翻訳タスクを通して正常な外見と動きパターンを学習する2ストリームオブジェクト認識型VAD手法を提案する。 その結果,従来の手法の大幅な改善により,本手法による検出は完全に説明可能となり,異常はフレーム内で正確に局所化されることがわかった。
  論文  参考訳（メタデータ） (2022-05-03T18:04:27Z)
• Anomaly Rule Detection in Sequence Data [2.3757190901941736]
  本稿では,一組のシーケンスからユーティリティを意識した外部規則の発見を可能にする,DUOSと呼ばれる新しい異常検出フレームワークを提案する。 本研究では,集団の異常性と実用性を両立させ,ユーティリティ・アウェア・アウトリー・ルール(UOSR)の概念を導入する。
  論文  参考訳（メタデータ） (2021-11-29T23:52:31Z)
• PANDA : Perceptually Aware Neural Detection of Anomalies [20.838700258121197]
  視覚的に異なる異常と微妙な異常の両方を検出するために、半監督方式で訓練された新しい微粒VAE-GANアーキテクチャを提案する。 残差接続された二重機能抽出器, きめ細かい識別器, 知覚的損失関数を用いることで, 微妙で低いクラス間変異(異常対正常)を検出することができる。
  論文  参考訳（メタデータ） (2021-04-28T11:03:50Z)
• Unsupervised Two-Stage Anomaly Detection [18.045265572566276]
  単一の画像からの異常検出は、異常データが常に稀で、予測不能な型を持つ可能性があるため、難しい。 本研究では,高忠実かつ異常のない再構成を生成する2段階アプローチを提案する。 提案手法は,4つの異常検出データセットの最先端性能を上回っている。
  論文  参考訳（メタデータ） (2021-03-22T08:57:27Z)
• ESAD: End-to-end Deep Semi-supervised Anomaly Detection [85.81138474858197]
  正規データと異常データの間のKL偏差を計測する新たな目的関数を提案する。 提案手法は,複数のベンチマークデータセットの最先端性能を著しく上回っている。
  論文  参考訳（メタデータ） (2020-12-09T08:16:35Z)

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。