Fugu-MT 論文翻訳(概要): Anomaly Rule Detection in Sequence Data

論文の概要: Anomaly Rule Detection in Sequence Data

arxiv url: http://arxiv.org/abs/2111.15026v1
Date: Mon, 29 Nov 2021 23:52:31 GMT
ステータス: 処理完了
システム内更新日: 2021-12-01 15:51:38.359302
Title: Anomaly Rule Detection in Sequence Data
Title（参考訳）: シーケンスデータにおける異常ルール検出
Authors: Wensheng Gan, Lili Chen, Shicheng Wan, Jiahui Chen, and Chien-Ming Chen
Abstract要約: 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。
参考スコア（独自算出の注目度）: 2.3757190901941736
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Analyzing sequence data usually leads to the discovery of interesting patterns and then anomaly detection. In recent years, numerous frameworks and methods have been proposed to discover interesting patterns in sequence data as well as detect anomalous behavior. However, existing algorithms mainly focus on frequency-driven analytic, and they are challenging to be applied in real-world settings. In this work, we present a new anomaly detection framework called DUOS that enables Discovery of Utility-aware Outlier Sequential rules from a set of sequences. In this pattern-based anomaly detection algorithm, we incorporate both the anomalousness and utility of a group, and then introduce the concept of utility-aware outlier sequential rule (UOSR). We show that this is a more meaningful way for detecting anomalies. Besides, we propose some efficient pruning strategies w.r.t. upper bounds for mining UOSR, as well as the outlier detection. An extensive experimental study conducted on several real-world datasets shows that the proposed DUOS algorithm has a better effectiveness and efficiency. Finally, DUOS outperforms the baseline algorithm and has a suitable scalability.
Abstract（参考訳）: シーケンスデータの解析は、通常、興味深いパターンの発見と異常検出につながる。近年、シーケンスデータの興味深いパターンを発見し、異常な振る舞いを検出するために、多くのフレームワークや手法が提案されている。しかし、既存のアルゴリズムは主に周波数駆動分析に焦点を合わせており、現実の環境では適用が困難である。本研究では,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。このパターンに基づく異常検出アルゴリズムでは,集団の異常性と実用性を両立させ,実用性を考慮したアウトリー・シーケンシャル・ルール(UOSR)の概念を導入する。これは、異常を検出するためのより意味のある方法であることを示す。さらに,UOSRのマイニングにおける上層境界,および外れ値検出のための効率的な刈り取り方策を提案する。いくつかの実世界のデータセットで行った広範囲な実験により、duosアルゴリズムがより有効性と効率性を示している。最後に、DUOSはベースラインアルゴリズムより優れ、適切なスケーラビリティを持つ。

関連論文リスト

GraphSubDetector: Time Series Subsequence Anomaly Detection via Density-Aware Adaptive Graph Neural Network [24.37330736887409]
サブシーケンス異常検出,すなわちGraphSubDetectorに対する新しいアプローチを提案する。まず、正規パターンと異常パターンの両方の特徴を強調する長さ選択機構を用いて、適切な列長を適応的に学習する。第2に、サブシーケンス間のメッセージパッシングによる異常検出のための正規データの分散に対して、より堅牢な表現を生成できる密度対応適応グラフニューラルネットワーク(DAGNN)を提案する。
論文参考訳（メタデータ） (2024-11-26T08:36:07Z)
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)
Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文参考訳（メタデータ） (2024-01-11T10:10:16Z)
Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
論文参考訳（メタデータ） (2023-12-26T07:08:06Z)
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)
CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
論文参考訳（メタデータ） (2023-08-18T04:45:56Z)
Series2Graph: Graph-based Subsequence Anomaly Detection for Time Series [22.630676187747696]
長いシーケンスにおける後続異常検出は、幅広い領域の応用において重要な問題である。本研究では,ドメイン列異常検出に適した教師なし手法を提案する。本手法は,サブシーケンスの低次元非依存性埋め込みのグラフ表現に基づく。
論文参考訳（メタデータ） (2022-07-25T13:55:43Z)
Little Help Makes a Big Difference: Leveraging Active Learning to Improve Unsupervised Time Series Anomaly Detection [2.1684857243537334]
予期せぬネットワークインシデントを検出するために,多数の異常検出アルゴリズムがデプロイされている。教師なし異常検出アルゴリズムは、しばしば過度の誤報に悩まされる。本稿では,オペレータのフィードバックの導入とメリットをアクティブな学習に活用することを提案する。
論文参考訳（メタデータ） (2022-01-25T13:54:19Z)
Unsupervised Anomaly Detectors to Detect Intrusions in the Current Threat Landscape [0.11470070927586014]
本研究では,Isolation Forests,One-Class Support Vector Machines,Self-Organizing Mapsが侵入検知用よりも有効であることを示した。不安定、分散、あるいは非可逆的行動による攻撃を、ファジング、ワーム、ボットネットなどによって検出することがより困難である点を詳述する。
論文参考訳（メタデータ） (2020-12-21T14:06:58Z)
Algorithmic Frameworks for the Detection of High Density Anomalies [0.0]
高密度異常(英: high-density anomalies)は、データ空間の最も正常な領域に位置する不確定なケースである。本研究では、教師なし検出のための非パラメトリックアルゴリズムフレームワークをいくつか導入する。
論文参考訳（メタデータ） (2020-10-09T17:48:02Z)
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)

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。