論文の概要: Anomaly Detection using Capsule Networks for High-dimensional Datasets
- arxiv url: http://arxiv.org/abs/2112.13514v1
- Date: Mon, 27 Dec 2021 05:07:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-28 14:38:29.438339
- Title: Anomaly Detection using Capsule Networks for High-dimensional Datasets
- Title（参考訳）: カプセルネットワークを用いた高次元データセットの異常検出
- Authors: Inderjeet Singh and Nandyala Hemachandra
- Abstract要約: 本研究では, カプセルネットワークを用いて異常検出を行う。
我々の知る限りでは、これは高次元の非画像複合データ設定における異常検出タスクのためにカプセルネットワークが解析される最初の例である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomaly detection is an essential problem in machine learning. Application
areas include network security, health care, fraud detection, etc., involving
high-dimensional datasets. A typical anomaly detection system always faces the
class-imbalance problem in the form of a vast difference in the sample sizes of
different classes. They usually have class overlap problems. This study used a
capsule network for the anomaly detection task. To the best of our knowledge,
this is the first instance where a capsule network is analyzed for the anomaly
detection task in a high-dimensional non-image complex data setting. We also
handle the related novelty and outlier detection problems. The architecture of
the capsule network was suitably modified for a binary classification task.
Capsule networks offer a good option for detecting anomalies due to the effect
of viewpoint invariance captured in its predictions and viewpoint equivariance
captured in internal capsule architecture. We used six-layered under-complete
autoencoder architecture with second and third layers containing capsules. The
capsules were trained using the dynamic routing algorithm. We created
$10$-imbalanced datasets from the original MNIST dataset and compared the
performance of the capsule network with $5$ baseline models. Our leading test
set measures are F1-score for minority class and area under the ROC curve. We
found that the capsule network outperformed every other baseline model on the
anomaly detection task by using only ten epochs for training and without using
any other data level and algorithm level approach. Thus, we conclude that
capsule networks are excellent in modeling complex high-dimensional imbalanced
datasets for the anomaly detection task.
- Abstract（参考訳）: 異常検出は機械学習の重要な問題である。
アプリケーション領域には、ネットワークセキュリティ、医療、不正検出など、高次元データセットが含まれる。
典型的な異常検出システムは、クラス間のサンプルサイズが大きく異なるという形で常にクラス不均衡問題に直面している。
クラスオーバーラップの問題が多い。
本研究は,異常検出タスクにカプセルネットワークを用いた。
我々の知る限りでは、これはカプセルネットワークが高次元の複雑なデータ設定における異常検出タスクのために解析される最初の例である。
また,関連する新奇性および異常検出問題にも対処する。
カプセルネットワークのアーキテクチャはバイナリ分類タスクに好適に修正された。
カプセルネットワークは、内部カプセルアーキテクチャで捉えた視点不変性や視点等価性の影響により、異常を検出するための優れた選択肢を提供する。
カプセルを含む第2層と第3層の6層非完全オートエンコーダアーキテクチャを用いた。
カプセルは動的ルーティングアルゴリズムを用いて訓練された。
私たちはオリジナルのMNISTデータセットから10ドルの不均衡データセットを作成し、カプセルネットワークのパフォーマンスを5ドルのベースラインモデルと比較しました。
我々の主要なテストセットは、ROC曲線の下でのマイノリティクラスとエリアに対するF1スコアである。
カプセルネットワークは,データレベルやアルゴリズムレベルでのアプローチを使わずに,トレーニングに10エポックしか使わないことで,異常検出タスクにおける他のすべてのベースラインモデルよりも優れていた。
その結果,カプセルネットワークは複雑な高次元不均衡データセットのモデル化に優れることがわかった。
関連論文リスト
- Semi-Supervised and Long-Tailed Object Detection with CascadeMatch [91.86787064083012]
そこで我々はCascadeMatchと呼ばれる新しい擬似ラベル型検出器を提案する。
我々の検出器は、プログレッシブな信頼しきい値を持つ多段検出ヘッドを備えたカスケードネットワークアーキテクチャを備えている。
CascadeMatchは、長い尾のオブジェクト検出の処理において、既存の最先端の半教師付きアプローチを超越していることを示す。
論文 参考訳（メタデータ） (2023-05-24T07:09:25Z) - Capsules as viewpoint learners for human pose estimation [4.246061945756033]
カメラが大きな視点変化を受けると、ほとんどのニューラルネットワークがうまく一般化できないことを示す。
本稿では,高速な変分ベイズルーティングとマトリックスカプセルを用いた,エンドツーエンドのポジショニング等価なカプセルオートエンコーダを提案する。
複数のタスクやデータセットに対して、他の望ましい特性を維持しながら、最先端の結果を得る。
論文 参考訳（メタデータ） (2023-02-13T09:01:46Z) - NetRCA: An Effective Network Fault Cause Localization Algorithm [22.88986905436378]
ネットワーク障害の根本原因の特定は、ネットワークの運用と保守に不可欠である。
この問題に対処するために,NetRCAという新しいアルゴリズムを提案する。
ICASSP 2022 AIOps Challengeの実際のデータセットで実験と分析が行われる。
論文 参考訳（メタデータ） (2022-02-23T02:03:35Z) - SLA$^2$P: Self-supervised Anomaly Detection with Adversarial
Perturbation [77.71161225100927]
異常検出は、機械学習の基本的な問題であるが、難しい問題である。
本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
論文 参考訳（メタデータ） (2021-11-25T03:53:43Z) - CSCAD: Correlation Structure-based Collective Anomaly Detection in
Complex System [11.739889613196619]
大規模システムにおける高次元異常検出問題に対する相関構造に基づく集団異常検出モデルを提案する。
本フレームワークでは,変分オートエンコーダを組み合わせたグラフ畳み込みネットワークを用いて,特徴空間の相関とサンプルの再構成不足を共同で活用する。
異常判別ネットワークは、低異常度サンプルを正のサンプルとして、高異常度サンプルを負のサンプルとしてトレーニングすることができる。
論文 参考訳（メタデータ） (2021-05-30T09:28:25Z) - 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) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳（メタデータ） (2021-02-25T14:24:49Z) - The Deep Radial Basis Function Data Descriptor (D-RBFDD) Network: A
One-Class Neural Network for Anomaly Detection [7.906608953906889]
異常検出は機械学習において難しい問題である。
放射状基底関数データ記述子(rbfdd)ネットワークは異常検出に有効なソリューションである。
本稿では,RBFDDネットワークを改良して深層一級分類器に変換する手法について検討する。
論文 参考訳（メタデータ） (2021-01-29T15:15:17Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2020-04-15T06:13:33Z) - Prediction of MRI Hardware Failures based on Image Features using
Ensemble Learning [8.889876750552615]
本研究では,20チャンネルのヘッド/ネックコイルの故障を画像計測により予測することに焦点を当てた。
この問題を解決するために、我々は2つの異なるレベルのデータを使用する。1つのレベルはコイルチャネル毎に1次元の特徴を指し、そこで完全に接続されたニューラルネットワークが最高の性能を発揮することを発見した。
他のデータレベルは、全体のコイル状態を表す行列を使用し、異なるニューラルネットワークを供給します。
論文 参考訳（メタデータ） (2020-01-05T11:21:28Z)
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。