論文の概要: Fast and scalable neuroevolution deep learning architecture search for
multivariate anomaly detection
- arxiv url: http://arxiv.org/abs/2112.05640v1
- Date: Fri, 10 Dec 2021 16:14:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-13 17:54:21.170943
- Title: Fast and scalable neuroevolution deep learning architecture search for
multivariate anomaly detection
- Title（参考訳）: 多変量異常検出のための高速でスケーラブルな神経進化型ディープラーニングアーキテクチャ
- Authors: M.Pietro\'n, D.\.Zurek, K.Faber
- Abstract要約: この研究は、異常検出のための多段階神経進化アプローチの改善に焦点を当てている。
提案フレームワークは,任意の非教師なしタスクに対して,効率的な学習ネットワークアーキテクチャ手法として利用することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The neuroevolution is one of the methodologies that can be used for learning
optimal architecture during the training. It uses evolutionary algorithms to
generate topology of artificial neural networks (ANN) and its parameters. In
this work, a modified neuroevolution technique is presented which incorporates
multi-level optimization. The presented approach adapts evolution strategies
for evolving ensemble model based on bagging technique, using genetic operators
for optimizing single anomaly detection models, reducing the training dataset
to speedup the search process and performs non gradient fine tuning. The
multivariate anomaly detection as an unsupervised learning task is the case
study on which presented approach is tested. Single model optimization is based
on mutation, crossover operators and focuses on finding optimal window sizes,
the number of layers, layer depths, hyperparameters etc. to boost the anomaly
detection scores of new and already known models. The proposed framework and
its protocol shows that it is possible to find architecture in a reasonable
time which can boost all well known multivariate anomaly detection deep
learning architectures. The work concentrates on improvements to multi-level
neuroevolution approach for anomaly detection. The main modifications are in
the methods of mixing groups and single models evolution, non gradient fine
tuning and voting mechanism. The presented framework can be used as an
efficient learning network architecture method for any different unsupervised
task where autoencoder architectures can be used. The tests were run on SWAT
and WADI datasets and presented approach evolved architectures that achieve
best scores among other deep learning models.
- Abstract（参考訳）: 神経進化は、トレーニング中に最適なアーキテクチャを学ぶために使用できる方法論の1つである。
進化的アルゴリズムを使用して、人工知能ニューラルネットワーク(ANN)とそのパラメータを生成する。
本稿では,マルチレベル最適化を組み込んだ改良型ニューロ進化法を提案する。
提案手法は,単一異常検出モデルの最適化に遺伝的演算子を使用し,探索プロセスを高速化するトレーニングデータセットを削減し,非勾配微調整を行う,バグング手法に基づくアンサンブルモデルの進化戦略を適応させる。
教師なし学習タスクとしての多変量異常検出は,提案手法をテストしたケーススタディである。
単一モデル最適化は、ミュータント、クロスオーバー演算子に基づいており、新しい既知のモデルの異常検出スコアを高めるために、最適なウィンドウサイズ、層数、層深度、ハイパーパラメータなどを見つけることに焦点を当てている。
提案されたフレームワークとそのプロトコルは、よく知られた多変量異常検出ディープラーニングアーキテクチャを加速する妥当な時間内にアーキテクチャを見つけることができることを示している。
この研究は、異常検出のための多段階神経進化アプローチの改善に焦点を当てている。
主な変更は、グループと単一モデルの進化を混合する方法、非勾配の微調整と投票機構である。
このフレームワークは、autoencoderアーキテクチャが使用できるさまざまな教師なしタスクに対して、効率的な学習ネットワークアーキテクチャ手法として使用できる。
テストはSWATとWADIデータセット上で実行され、他のディープラーニングモデルで最高のスコアを得るために進化したアーキテクチャを提案する。
関連論文リスト
- AD-NEv++ : The multi-architecture neuroevolution-based multivariate anomaly detection framework [0.794682109939797]
異常検出ツールと方法は、現代のサイバー物理およびセンサーベースのシステムにおいて重要な分析機能を可能にする。
我々は,サブスペース進化,モデル進化,微調整を相乗的に組み合わせた3段階の神経進化に基づくAD-NEv++を提案する。
我々は、AD-NEv++が全ての異常検出ベンチマークにおいて最先端のGNN(Graph Neural Networks)モデルアーキテクチャを改善し、性能を向上できることを示す。
論文 参考訳（メタデータ） (2024-03-25T08:40:58Z) - An automatic selection of optimal recurrent neural network architecture
for processes dynamics modelling purposes [0.0]
この研究には、ニューラルネットワークアーキテクチャ検索専用のアルゴリズムの提案が4つ含まれている。
アルゴリズムは進化的アルゴリズムや勾配降下法のようなよく知られた最適化手法に基づいている。
この研究は、加圧水型原子炉で発生した高速過程の数学的モデルから生成されたデータに基づく、拡張された検証研究を含む。
論文 参考訳（メタデータ） (2023-09-25T11:06:35Z) - AD-NEV: A Scalable Multi-level Neuroevolution Framework for Multivariate
Anomaly Detection [1.0323063834827415]
異常検出ツールと手法は、現代のサイバー物理および障害予測システムにおいて重要な機能を示す。
与えられたデータセットのモデル最適化は、面倒で時間のかかるプロセスである。
スケーラブルな多レベル最適化ニューロエボリューションフレームワークであるAnomaly Detection Neuroevolution (AD-NEv)を提案する。
論文 参考訳（メタデータ） (2023-05-25T21:52:38Z) - Guided Sampling-based Evolutionary Deep Neural Network for Intelligent
Fault Diagnosis [8.92307560991779]
我々は、モデルアーキテクチャの進化を導くためにポリシー勾配を利用する進化的ディープニューラルネットワークの新しいフレームワークを提案してきた。
提案フレームワークの有効性を3つのデータセットで検証した。
論文 参考訳（メタデータ） (2021-11-12T18:59:45Z) - Ensemble neuroevolution based approach for multivariate time series
anomaly detection [0.0]
本研究では、新しいモデルやすでに知られているモデルの異常検出スコアを高めるために、神経進化手法を組み込んだフレームワークを示す。
提案フレームワークは, 異常検出深層学習モデルの大部分を, 適切な時間と完全自動モードで向上させることが可能であることを示す。
論文 参考訳（メタデータ） (2021-08-08T07:55:07Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - Redefining Neural Architecture Search of Heterogeneous Multi-Network
Models by Characterizing Variation Operators and Model Components [71.03032589756434]
複素領域における異なる変動演算子の効果について検討する。
モデルの複雑さと性能に影響を及ぼす変化演算子と、それを構成する異なる部分の質を推定する様々な指標に依存するモデルの両方を特徴付ける。
論文 参考訳（メタデータ） (2021-06-16T17:12:26Z) - Non-Gradient Manifold Neural Network [79.44066256794187]
ディープニューラルネットワーク(DNN)は通常、勾配降下による最適化に数千のイテレーションを要します。
非次最適化に基づく新しい多様体ニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-06-15T06:39:13Z) - Meta-learning One-class Classifiers with Eigenvalue Solvers for
Supervised Anomaly Detection [55.888835686183995]
教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。
提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
論文 参考訳（メタデータ） (2021-03-01T01:43:04Z) - Learning to Stop While Learning to Predict [85.7136203122784]
多くのアルゴリズムにインスパイアされたディープモデルは全ての入力に対して固定深度に制限される。
アルゴリズムと同様に、深いアーキテクチャの最適深さは、異なる入力インスタンスに対して異なるかもしれない。
本稿では, ステアブルアーキテクチャを用いて, この様々な深さ問題に対処する。
学習した深層モデルと停止ポリシーにより,多様なタスクセットのパフォーマンスが向上することを示す。
論文 参考訳（メタデータ） (2020-06-09T07:22:01Z) - AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。
汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。
機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
論文 参考訳（メタデータ） (2020-03-06T19:00:04Z)
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。