論文の概要: Applications of Signature Methods to Market Anomaly Detection

• arxiv url: http://arxiv.org/abs/2201.02441v1
• Date: Fri, 7 Jan 2022 13:05:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-10 17:23:33.750302
• Title: Applications of Signature Methods to Market Anomaly Detection
• Title（参考訳）: 市場異常検出への署名手法の適用
• Authors: Erdinc Akyildirim, Matteo Gambara, Josef Teichmann, Syang Zhou
• Abstract要約: 本稿では,特徴抽出器としてのシグネチャやランダム化シグネチャの異常検出アルゴリズムへの応用について述べる。 暗号通貨市場からの取引データを用いて実生活のアプリケーションを示す。 この場合、F1スコアが最大88%のソーシャルネットワーク上で組織されたポンプとダンプの試行を特定できる。
• 参考スコア（独自算出の注目度）: 1.911678487931003
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection is the process of identifying abnormal instances or events in data sets which deviate from the norm significantly. In this study, we propose a signatures based machine learning algorithm to detect rare or unexpected items in a given data set of time series type. We present applications of signature or randomized signature as feature extractors for anomaly detection algorithms; additionally we provide an easy, representation theoretic justification for the construction of randomized signatures. Our first application is based on synthetic data and aims at distinguishing between real and fake trajectories of stock prices, which are indistinguishable by visual inspection. We also show a real life application by using transaction data from the cryptocurrency market. In this case, we are able to identify pump and dump attempts organized on social networks with F1 scores up to 88% by means of our unsupervised learning algorithm, thus achieving results that are close to the state-of-the-art in the field based on supervised learning.
• Abstract（参考訳）: 異常検出(英: anomaly detection)とは、データセット内の異常なインスタンスやイベントを識別するプロセスである。 本研究では,時系列型のデータセットにおいて,まれあるいは予期せぬ項目を検出するためのシグネチャに基づく機械学習アルゴリズムを提案する。 異常検出アルゴリズムにおける特徴抽出器としてシグネチャやランダム化シグネチャを応用し, ランダム化シグネチャ構築のための簡易な表現論的正当性を提供する。 最初のアプリケーションは合成データに基づいており、視覚検査では区別できない実物と偽物の株価の軌跡を区別することを目的としている。 また,暗号通貨市場からの取引データを用いて実生活のアプリケーションを示す。 この場合、教師なし学習アルゴリズムにより、F1スコアが最大88%のソーシャルネットワーク上で構成されたポンプとダンプの試行を特定でき、教師なし学習に基づく分野の最先端に近い結果が得られる。

関連論文リスト

• Utilizing GANs for Fraud Detection: Model Training with Synthetic Transaction Data [0.0]
  本稿では,GAN(Generative Adversarial Networks)の不正検出への応用について検討する。 GANは複雑なデータ分散のモデリングにおいて有望であり、異常検出のための効果的なツールである。 この研究は、ディープラーニング技術によるトランザクションセキュリティの強化におけるGANの可能性を実証している。
  論文  参考訳（メタデータ） (2024-02-15T09:48:20Z)
• A Critical Review of Common Log Data Sets Used for Evaluation of Sequence-based Anomaly Detection Techniques [2.5339493426758906]
  6つの公開ログデータセットを解析し,異常の顕在化と検出のための簡単な手法に着目した。 以上の結果から,ほとんどの異常は逐次的出現とは直接関係がなく,これらのデータセットに対して高い検出率を達成するために高度な検出技術は必要ないことが示唆された。
  論文  参考訳（メタデータ） (2023-09-06T09:31:17Z)
• On the Universal Adversarial Perturbations for Efficient Data-free Adversarial Detection [55.73320979733527]
  本稿では,UAPに対して正常サンプルと逆サンプルの異なる応答を誘導する,データに依存しない逆検出フレームワークを提案する。 実験結果から,本手法は様々なテキスト分類タスクにおいて,競合検出性能を実現することが示された。
  論文  参考訳（メタデータ） (2023-06-27T02:54:07Z)
• Pattern Mining for Anomaly Detection in Graphs: Application to Fraud in Public Procurement [0.0]
  公的調達では、不正リスクを推定するために赤旗と呼ばれるいくつかの指標が使用される。 これらの属性は実際には欠落しており、赤旗を禁止している。 本研究では,契約間の関係を活かし,欠落した属性を補うグラフベースの手法を採用する。
  論文  参考訳（メタデータ） (2023-06-19T11:18:55Z)
• PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
  本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。 我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-01-25T16:34:43Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Abuse and Fraud Detection in Streaming Services Using Heuristic-Aware Machine Learning [0.45880283710344055]
  本研究は,ユーザのストリーミング動作をモデル化することで,ストリーミングサービスに対する不正・悪用検出フレームワークを提案する。 本研究では,半教師付きアプローチと,異常検出のための教師付きアプローチについて検討する。 私たちの知る限りでは、実世界のストリーミングサービスにおいて、不正行為の検出と不正検出に機械学習を使った最初の論文である。
  論文  参考訳（メタデータ） (2022-03-04T03:57:58Z)
• A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
  DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。 深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。 このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
  論文  参考訳（メタデータ） (2020-10-29T08:27:43Z)
• A Background-Agnostic Framework with Adversarial Training for Abnormal Event Detection in Video [120.18562044084678]
  近年,ビデオにおける異常事象検出は複雑なコンピュータビジョンの問題として注目されている。 通常のイベントのみを含むトレーニングビデオから学習するバックグラウンドに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-27T18:39:24Z)
• Self-Attentive Classification-Based Anomaly Detection in Unstructured Logs [59.04636530383049]
  ログ表現を学習するための分類法であるLogsyを提案する。 従来の方法と比較して,F1スコアの平均0.25の改善を示す。
  論文  参考訳（メタデータ） (2020-08-21T07:26:55Z)
• Sequential Anomaly Detection using Inverse Reinforcement Learning [23.554584457413483]
  逆強化学習(IRL)を用いた逐次異常検出のためのエンドツーエンドフレームワークを提案する。 我々はニューラルネットワークを用いて報酬関数を表現し、学習された報酬関数を用いて、ターゲットエージェントからの新しい観察が正常なパターンに従うかどうかを評価する。 公開されている実世界のデータに関する実証研究は,本手法が異常の同定に有効であることを示している。
  論文  参考訳（メタデータ） (2020-04-22T05:17:36Z)

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。