論文の概要: The Analysis of Online Event Streams: Predicting the Next Activity for Anomaly Detection

• arxiv url: http://arxiv.org/abs/2203.09619v1
• Date: Thu, 17 Mar 2022 21:17:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-21 15:55:04.518642
• Title: The Analysis of Online Event Streams: Predicting the Next Activity for Anomaly Detection
• Title（参考訳）: オンラインイベントストリームの解析:異常検出のための次のアクティビティの予測
• Authors: Suhwan Lee, Xixi Lu, Hajo A. Reijers
• Abstract要約: 我々は,オンラインイベント異常検出問題に対して,次世代の予測手法を用いて取り組むことを提案する。 これらの予測異常検出手法と4つの古典的教師なし異常検出手法を比較した。
• 参考スコア（独自算出の注目度）: 0.696125353550498
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection in process mining focuses on identifying anomalous cases or events in process executions. The resulting diagnostics are used to provide measures to prevent fraudulent behavior, as well as to derive recommendations for improving process compliance and security. Most existing techniques focus on detecting anomalous cases in an offline setting. However, to identify potential anomalies in a timely manner and take immediate countermeasures, it is necessary to detect event-level anomalies online, in real-time. In this paper, we propose to tackle the online event anomaly detection problem using next-activity prediction methods. More specifically, we investigate the use of both ML models (such as RF and XGBoost) and deep models (such as LSTM) to predict the probabilities of next-activities and consider the events predicted unlikely as anomalies. We compare these predictive anomaly detection methods to four classical unsupervised anomaly detection approaches (such as Isolation forest and LOF) in the online setting. Our evaluation shows that the proposed method using ML models tends to outperform the one using a deep model, while both methods outperform the classical unsupervised approaches in detecting anomalous events.
• Abstract（参考訳）: プロセスマイニングにおける異常検出は、プロセス実行中の異常ケースやイベントを特定することに焦点を当てる。 結果として得られた診断は、不正行為を防止し、プロセスのコンプライアンスとセキュリティを改善するための勧告を導き出すために使用される。 既存の技術のほとんどは、オフライン環境で異常なケースを検出することに重点を置いている。 しかし,潜在的な異常をタイムリーに識別し,即時対応するためには,オンラインでリアルタイムにイベントレベルの異常を検出する必要がある。 本稿では,次世代予測手法を用いて,オンラインイベント異常検出問題に取り組むことを提案する。 具体的には,次の活動の確率を予測するためのMLモデル(RFやXGBoostなど)と深部モデル(LSTMなど)の両方を用いて,予測できない事象を異常とみなす。 これらの予測異常検出手法を,オンライン環境における4つの非教師なし異常検出手法(アイソレーションフォレストやlofなど)と比較した。 本評価は,mlモデルを用いた提案手法が,従来の非教師付き手法よりも異常な事象検出に優れる一方で,深層モデルを用いた提案手法よりも優れることを示す。

関連論文リスト

• Unsupervised Anomaly Detection Using Diffusion Trend Analysis [48.19821513256158]
  本稿では, 劣化度に応じて, 復元傾向の分析により異常を検出する手法を提案する。 提案手法は,産業用異常検出のためのオープンデータセット上で検証される。
  論文  参考訳（メタデータ） (2024-07-12T01:50:07Z)
• xSemAD: Explainable Semantic Anomaly Detection in Event Logs Using Sequence-to-Sequence Models [1.6713531923053913]
  この研究は意味的異常検出のギャップに対処し、通常、異常の性質を説明することなく、異常の発生を示す。 我々はxSemADを提案する。xSemADは、シーケンス・ツー・シーケンス・モデルを用いて、純粋な識別を超越し、拡張された説明を提供するアプローチである。 実験により,本手法は既存の意味的異常検出手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-28T09:06:52Z)
• DABL: Detecting Semantic Anomalies in Business Processes Using Large Language Models [9.790772692344044]
  大規模言語モデル(LLM)を用いたビジネスプロセスにおける意味異常の検出手法であるDABLを導入する。 我々は、様々なドメインから143,137個の実世界のプロセスモデルを収集し、これらのプロセスモデルのプレイアウトを通して正常なトレースを生成することにより、結果のログを用いてLlama 2を微調整する。 DABLは、与えられたプロセスの一般化能力と学習の両方の観点から、既存の最先端のセマンティックな異常検出手法を超越していることを示す。
  論文  参考訳（メタデータ） (2024-06-22T08:20:19Z)
• MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly Detection [124.52227588930543]
  教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。 不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。 非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。 我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
  論文  参考訳（メタデータ） (2023-08-29T13:38:35Z)
• Real-Time Outlier Detection with Dynamic Process Limits [0.609170287691728]
  本稿では,既存のリアルタイムインフラストラクチャを対象としたオンライン異常検出アルゴリズムを提案する。 オンライン逆累積分布に基づく手法を導入し、オフライン異常検出器の一般的な問題を排除した。 提案手法の利点は, 実マイクログリッド演算データの2例に示すように, 使いやすさ, 高速計算, 展開性である。
  論文  参考訳（メタデータ） (2023-01-31T10:23:02Z)
• MissDAG: Causal Discovery in the Presence of Missing Data with Continuous Additive Noise Models [78.72682320019737]
  不完全な観測データから因果発見を行うため,MissDAGと呼ばれる一般的な手法を開発した。 MissDAGは、期待-最大化の枠組みの下で観測の可視部分の期待される可能性を最大化する。 各種因果探索アルゴリズムを組み込んだMissDAGの柔軟性について,広範囲なシミュレーションと実データ実験により検証した。
  論文  参考訳（メタデータ） (2022-05-27T09:59:46Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• Online anomaly detection using statistical leverage for streaming business process events [4.9342793303029975]
  オンライン設定でのイベントログ異常検出は、発生直後にプロセス実行中の異常を発見するために重要です。 本稿では,統計レバレッジを用いたイベントストリームにおけるイベントログ異常検出手法について述べる。
  論文  参考訳（メタデータ） (2021-03-01T08:01:49Z)
• Recomposition vs. Prediction: A Novel Anomaly Detection for Discrete Events Based On Autoencoder [5.781280693720236]
  侵入検知の分野で最も難しい問題の1つは、離散イベントログの異常検出である。 離散イベントログのDeep Autoencoderベースの異常検出手法であるDabLogを提案する。 解析(符号化)と再構成(復号化)により、シーケンスが正常または異常かどうかを判定します。
  論文  参考訳（メタデータ） (2020-12-27T16:31:05Z)
• Real-Time Anomaly Detection in Edge Streams [49.26098240310257]
  マイクロクラスタ異常の検出に焦点を当てたMIDASを提案する。 さらに、アルゴリズムの内部状態に異常が組み込まれている問題を解くために、MIDAS-Fを提案する。 実験の結果,MIDAS-Fの精度はMIDASよりも有意に高かった。
  論文  参考訳（メタデータ） (2020-09-17T17:59:27Z)
• Deep Weakly-supervised Anomaly Detection [118.55172352231381]
  ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。 PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。 12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
  論文  参考訳（メタデータ） (2019-10-30T00:40:25Z)

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。