論文の概要: Hybridization of Capsule and LSTM Networks for unsupervised anomaly
detection on multivariate data
- arxiv url: http://arxiv.org/abs/2202.05538v1
- Date: Fri, 11 Feb 2022 10:33:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-15 00:56:40.011538
- Title: Hybridization of Capsule and LSTM Networks for unsupervised anomaly
detection on multivariate data
- Title（参考訳）: 多変量データを用いた教師なし異常検出のためのカプセルとLSTMネットワークのハイブリッド化
- Authors: Ayman Elhalwagy and Tatiana Kalganova
- Abstract要約: 本稿では,Long-Short-Term-Memory(LSTM)とCapsule Networksを1つのネットワークに結合した新しいNNアーキテクチャを提案する。
提案手法は教師なし学習手法を用いて大量のラベル付きトレーニングデータを見つける際の問題を克服する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning techniques have recently shown promise in the field of anomaly
detection, providing a flexible and effective method of modelling systems in
comparison to traditional statistical modelling and signal processing-based
methods. However, there are a few well publicised issues Neural Networks (NN)s
face such as generalisation ability, requiring large volumes of labelled data
to be able to train effectively and understanding spatial context in data. This
paper introduces a novel NN architecture which hybridises the
Long-Short-Term-Memory (LSTM) and Capsule Networks into a single network in a
branched input Autoencoder architecture for use on multivariate time series
data. The proposed method uses an unsupervised learning technique to overcome
the issues with finding large volumes of labelled training data. Experimental
results show that without hyperparameter optimisation, using Capsules
significantly reduces overfitting and improves the training efficiency.
Additionally, results also show that the branched input models can learn
multivariate data more consistently with or without Capsules in comparison to
the non-branched input models. The proposed model architecture was also tested
on an open-source benchmark, where it achieved state-of-the-art performance in
outlier detection, and overall performs best over the metrics tested in
comparison to current state-of-the art methods.
- Abstract（参考訳）: 近年、深層学習技術は、従来の統計モデリングや信号処理に基づく手法と比較して、フレキシブルで効果的なモデリング手法を提供する、異常検出の分野で有望であることが示されている。
しかし、ニューラルネットワーク(NN)が直面している問題には、一般化能力、大量のラベル付きデータを効果的にトレーニングし、データの空間的コンテキストを理解するために必要となるものなどがある。
本稿では,多変量時系列データに使用する分岐入力オートエンコーダアーキテクチャにおいて,lstm(long-short-term-memory)とカプセルネットワークを単一ネットワークにハイブリッド化する,新しいnnアーキテクチャを提案する。
提案手法は教師なし学習手法を用いて,大量のラベル付きトレーニングデータを見つける際の課題を克服する。
実験の結果,超パラメータ最適化がなければ,カプセルの使用により過度な適合が著しく減少し,トレーニング効率が向上することが示された。
さらに, 分岐入力モデルでは, 非分岐入力モデルと比較してカプセルの有無に関わらず, 多変量データの学習が可能であった。
提案したモデルアーキテクチャは、オープンソースベンチマークでもテストされ、オプティラ検出における最先端のパフォーマンスを達成し、現在の最先端の手法と比較してテストされたメトリクスよりも全体的なパフォーマンスが向上した。
関連論文リスト
- Few-shot Online Anomaly Detection and Segmentation [29.693357653538474]
本稿では,難易度の高いオンライン異常検出・セグメンテーション(FOADS)の課題に対処することに焦点を当てる。
FOADSフレームワークでは、モデルを数ショットの通常のデータセットでトレーニングし、その後、正常サンプルと異常サンプルの両方を含む未ラベルのストリーミングデータを活用することで、その能力の検査と改善を行う。
限られたトレーニングサンプルを用いた性能向上のために,ImageNetで事前学習したCNNから抽出したマルチスケール特徴埋め込みを用いて,ロバストな表現を得る。
論文 参考訳（メタデータ） (2024-03-27T02:24:00Z) - Neural Network with Local Converging Input (NNLCI) for Supersonic Flow
Problems with Unstructured Grids [0.9152133607343995]
非構造データを用いた高忠実度予測のための局所収束入力(NNLCI)を用いたニューラルネットワークを開発した。
また, NNLCI法を用いて, バンプを有するチャネル内の超音速流の可視化を行った。
論文 参考訳（メタデータ） (2023-10-23T19:03:37Z) - Towards a Better Theoretical Understanding of Independent Subnetwork Training [56.24689348875711]
独立サブネットワークトレーニング(IST)の理論的考察
ISTは、上記の問題を解決するための、最近提案され、非常に効果的である。
圧縮通信を用いた分散手法など,ISTと代替手法の基本的な違いを同定する。
論文 参考訳（メタデータ） (2023-06-28T18:14:22Z) - Anomaly Detection with Ensemble of Encoder and Decoder [2.8199078343161266]
電力網における異常検出は、電力系統に対するサイバー攻撃による異常を検出し、識別することを目的としている。
本稿では,複数のエンコーダとデコーダを用いて正規サンプルのデータ分布をモデル化し,新しい異常検出手法を提案する。
ネットワーク侵入と電力系統データセットの実験結果から,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2023-03-11T15:49:29Z) - Robust Audio Anomaly Detection [10.75127981612396]
提案されたアプローチは、トレーニングデータセットにラベル付き異常が存在することを前提としません。
時間力学は、注意機構を付加した繰り返し層を用いてモデル化される。
ネットワークの出力は、外向きの頑健な確率密度関数である。
論文 参考訳（メタデータ） (2022-02-03T17:19:42Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - 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) - 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) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z) - Siloed Federated Learning for Multi-Centric Histopathology Datasets [0.17842332554022694]
本稿では,医学領域における深層学習アーキテクチャのための新しいフェデレーション学習手法を提案する。
局所統計バッチ正規化(BN)層が導入され、協調的に訓練されるが中心に固有のモデルが作られる。
本研究では,Camelyon16およびCamelyon17データセットから抽出した腫瘍組織像の分類法についてベンチマークを行った。
論文 参考訳（メタデータ） (2020-08-17T15:49:30Z)
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。