論文の概要: Outlier Detection using AI: A Survey
- arxiv url: http://arxiv.org/abs/2112.00588v1
- Date: Wed, 1 Dec 2021 15:59:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-02 13:33:14.624026
- Title: Outlier Detection using AI: A Survey
- Title(参考訳): AIを用いたアウトリー検出:サーベイ
- Authors: Md Nazmul Kabir Sikder and Feras A. Batarseh
- Abstract要約: Outlier Detection (OD) は、成長を続ける研究分野である。
本章では,AI技術を用いたOD手法の進歩について論じる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An outlier is an event or observation that is defined as an unusual activity,
intrusion, or a suspicious data point that lies at an irregular distance from a
population. The definition of an outlier event, however, is subjective and
depends on the application and the domain (Energy, Health, Wireless Network,
etc.). It is important to detect outlier events as carefully as possible to
avoid infrastructure failures because anomalous events can cause minor to
severe damage to infrastructure. For instance, an attack on a cyber-physical
system such as a microgrid may initiate voltage or frequency instability,
thereby damaging a smart inverter which involves very expensive repairing.
Unusual activities in microgrids can be mechanical faults, behavior changes in
the system, human or instrument errors or a malicious attack. Accordingly, and
due to its variability, Outlier Detection (OD) is an ever-growing research
field. In this chapter, we discuss the progress of OD methods using AI
techniques. For that, the fundamental concepts of each OD model are introduced
via multiple categories. Broad range of OD methods are categorized into six
major categories: Statistical-based, Distance-based, Density-based,
Clustering-based, Learning-based, and Ensemble methods. For every category, we
discuss recent state-of-the-art approaches, their application areas, and
performances. After that, a brief discussion regarding the advantages,
disadvantages, and challenges of each technique is provided with
recommendations on future research directions. This survey aims to guide the
reader to better understand recent progress of OD methods for the assurance of
AI.
- Abstract(参考訳): 異常者は、異常な活動、侵入、または集団から不規則な距離にある不審なデータポイントとして定義される事象または観測である。
しかし、外れ値イベントの定義は主観的であり、アプリケーションとドメイン(Energy, Health, Wireless Networkなど)に依存します。
異常なイベントがインフラに重大なダメージを与える可能性があるため、インフラストラクチャの障害を避けるために、できるだけ慎重に外れたイベントを検出することが重要である。
例えば、マイクログリッドのようなサイバー物理システムへの攻撃は電圧や周波数不安定を引き起こし、非常に高価な修理を伴うスマートインバータを傷つける可能性がある。
マイクログリッドにおける異常な活動は、機械的障害、システムにおける行動変化、人間や機器のエラー、悪意のある攻撃などである。
したがって、その変動性のため、外乱検出(OD)は成長を続ける研究分野である。
本章では,AI技術を用いたOD手法の進歩について論じる。
そのため、各odモデルの基本的な概念は、複数のカテゴリを通じて導入される。
OD法は, 統計ベース, 距離ベース, 密度ベース, クラスタリング, 学習ベース, アンサンブルの6つのカテゴリに分類される。
各カテゴリについて、最新の最先端のアプローチ、アプリケーション領域、パフォーマンスについて論じる。
その後、各技術の長所、短所、課題について簡単な議論を行い、今後の研究方向性について推奨する。
この調査は、AIの保証のためのODメソッドの最近の進歩をより深く理解するために、読者を導くことを目的としている。
関連論文リスト
- Unsupervised Learning for Fault Detection of HVAC Systems: An OPTICS
-based Approach for Terminal Air Handling Units [1.0878040851638]
本研究では,ターミナルエアハンドリングユニットとその関連システムにおける故障を検出するための教師なし学習戦略を提案する。
この手法は、主成分分析を用いて歴史的センサデータを前処理して次元を合理化する。
その結果,オプティクスは季節ごとの精度で常にk平均を上回っていた。
論文 参考訳(メタデータ) (2023-12-18T18:08:54Z) - OpenNet: Incremental Learning for Autonomous Driving Object Detection
with Balanced Loss [3.761247766448379]
提案手法は既存手法よりも優れた性能が得られる。
CODAデータセットを用いた実験結果から,提案手法は既存手法よりも優れた性能が得られることが示された。
論文 参考訳(メタデータ) (2023-11-25T06:02:50Z) - Towards an Awareness of Time Series Anomaly Detection Models'
Adversarial Vulnerability [21.98595908296989]
本研究では,センサデータに小さな対向摂動のみを加えることで,最先端の異常検出手法の性能を著しく劣化させることを実証した。
いくつかのパブリックデータセットとプライベートデータセットに対して、予測エラー、異常、分類スコアなど、さまざまなスコアを使用する。
敵攻撃に対する異常検出システムの脆弱性を初めて実証した。
論文 参考訳(メタデータ) (2022-08-24T01:55:50Z) - A2Log: Attentive Augmented Log Anomaly Detection [53.06341151551106]
異常検出は、ITサービスの信頼性とサービス性にとってますます重要になる。
既存の教師なし手法は、適切な決定境界を得るために異常な例を必要とする。
我々は,異常判定と異常判定の2段階からなる教師なし異常検出手法であるA2Logを開発した。
論文 参考訳(メタデータ) (2021-09-20T13:40:21Z) - Inspect, Understand, Overcome: A Survey of Practical Methods for AI
Safety [54.478842696269304]
安全クリティカルなアプリケーションにディープニューラルネットワーク(DNN)を使用することは、多数のモデル固有の欠点のために困難です。
近年,これらの安全対策を目的とした最先端技術動物園が出現している。
本稿は、機械学習の専門家と安全エンジニアの両方に対処する。
論文 参考訳(メタデータ) (2021-04-29T09:54:54Z) - Robustness May Be at Odds with Fairness: An Empirical Study on
Class-wise Accuracy [85.20742045853738]
CNNは敵の攻撃に弱いことが広く知られている。
本稿では,対人訓練モデルのクラスワイド精度とロバスト性に関する実証的研究を提案する。
トレーニングデータセットが各クラスに同じ数のサンプルを持つ場合でも,精度と堅牢性にはクラス間差があることが判明した。
論文 参考訳(メタデータ) (2020-10-26T06:32:32Z) - 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) - On Adversarial Examples and Stealth Attacks in Artificial Intelligence
Systems [62.997667081978825]
本稿では,汎用人工知能(AI)システムに対する2種類の多元性行動の評価と分析を行うための公式な枠組みを提案する。
最初のクラスは、逆例を含み、誤分類を引き起こす入力データの小さな摂動の導入を懸念する。
第2のクラスは、ここで初めて導入され、ステルス攻撃と名付けられたもので、AIシステム自体に対する小さな摂動を伴う。
論文 参考訳(メタデータ) (2020-04-09T10:56:53Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳(メタデータ) (2020-03-11T00:22:50Z)
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。