論文の概要: From MIM-Based GAN to Anomaly Detection:Event Probability Influence on
Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2203.13464v1
- Date: Fri, 25 Mar 2022 06:08:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-28 12:35:33.195261
- Title: From MIM-Based GAN to Anomaly Detection:Event Probability Influence on
Generative Adversarial Networks
- Title（参考訳）: MIMに基づくGANから異常検出:生成的対向ネットワークに対する事象確率の影響
- Authors: Rui She and Pingyi Fan
- Abstract要約: 本稿では,MIM ベース GAN と呼ばれる指数情報メトリクスを GAN に導入する。
そこで本研究では,MIMに基づくGANを用いた異常検出手法を提案するとともに,教師なし学習事例の原理を説明する。
- 参考スコア（独自算出の注目度）: 13.599726672717827
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In order to introduce deep learning technologies into anomaly detection,
Generative Adversarial Networks (GANs) are considered as important roles in the
algorithm design and realistic applications. In terms of GANs, event
probability reflected in the objective function, has an impact on the event
generation which plays a crucial part in GAN-based anomaly detection. The
information metric, e.g. Kullback-Leibler divergence in the original GAN, makes
the objective function have different sensitivity on different event
probability, which provides an opportunity to refine GAN-based anomaly
detection by influencing data generation. In this paper, we introduce the
exponential information metric into the GAN, referred to as MIM-based GAN,
whose superior characteristics on data generation are discussed in theory.
Furthermore, we propose an anomaly detection method with MIM-based GAN, as well
as explain its principle for the unsupervised learning case from the viewpoint
of probability event generation. Since this method is promising to detect
anomalies in Internet of Things (IoT), such as environmental, medical and
biochemical outliers, we make use of several datasets from the online ODDS
repository to evaluate its performance and compare it with other methods.
- Abstract（参考訳）: ディープラーニング技術を異常検出に導入するためには,GAN(Generative Adversarial Networks)がアルゴリズム設計や現実的なアプリケーションにおいて重要な役割を担うと考えられる。
GANの観点では、目的関数に反映される事象確率は、GANベースの異常検出において重要な役割を果たす事象生成に影響を及ぼす。
元のGANにおけるKulback-Leiblerの発散などの情報メトリクスは、目的関数を異なる事象確率に対して異なる感度を持つようにし、データ生成に影響を与えることにより、GANベースの異常検出を洗練する機会を提供する。
本稿では、データ生成に優れた特徴を理論的に論じるMIMベースのGANとして、指数情報メトリクスをGANに導入する。
さらに,MIMに基づくGANを用いた異常検出手法を提案するとともに,確率事象発生の観点から教師なし学習事例の原理を説明する。
本手法は, 環境, 医療, 生化学的異常などのモノのインターネット(IoT)の異常を検出することを約束しているため, オンラインODDSリポジトリから複数のデータセットを用いて, その性能を評価し, 他の手法と比較する。
関連論文リスト
- Targeted Cause Discovery with Data-Driven Learning [66.86881771339145]
本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。
我々は、シミュレートされたデータの教師あり学習を通じて因果関係を特定するために訓練されたニューラルネットワークを用いる。
大規模遺伝子制御ネットワークにおける因果関係の同定における本手法の有効性を実証した。
論文 参考訳（メタデータ） (2024-08-29T02:21:11Z) - MIM-GAN-based Anomaly Detection for Multivariate Time Series Data [7.734588574138427]
GAN(Generative Adversarial Network)の損失関数は,異常検出のための生成サンプルの品質と多様性に影響を与える重要な要因である。
メッセージ重要度尺度(MIM-GAN)を用いたGANに基づく教師なし多重時系列異常検出アルゴリズムを提案する。
実験の結果,MIM-GANに基づく異常検出アルゴリズムは精度,リコール,F1スコアにおいて優れた性能を示した。
論文 参考訳（メタデータ） (2023-10-26T02:09:39Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳（メタデータ） (2023-02-06T16:38:43Z) - Leveraging a Probabilistic PCA Model to Understand the Multivariate
Statistical Network Monitoring Framework for Network Security Anomaly
Detection [64.1680666036655]
確率的生成モデルの観点からPCAに基づく異常検出手法を再検討する。
2つの異なるデータセットを用いて数学的モデルを評価した。
論文 参考訳（メタデータ） (2023-02-02T13:41:18Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-30T06:00:13Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - Tail of Distribution GAN (TailGAN): Generative-
Adversarial-Network-Based Boundary Formation [0.0]
我々は、異常検出のためのGANに基づくテール生成モデル、TailGAN(Tail of Distribution GAN)を作成する。
TailGANを用いて、異常検出にGANを活用し、最大エントロピー正則化を使用する。
我々は,OoD(Out-of-Distribution)データを特定するためにTailGANを評価し,MNIST,CIFAR-10,Bagage X-Ray,OoDデータを用いて評価した。
論文 参考訳（メタデータ） (2021-07-24T17:29:21Z) - Multi-class Classification Based Anomaly Detection of Insider Activities [18.739091829480234]
生成モデルと教師付き学習を組み合わせて,深層学習を用いたマルチクラス分類を行う手法を提案する。
generative adversarial network (gan) ベースのインサイダー検出モデルでは、条件付きジェネレーショナルadversarial network (cgan) を導入し、マイノリティクラスサンプルを豊かにする。
ベンチマークデータセットで実施した総合的な実験は、GAN派生合成データの導入の有効性を示す。
論文 参考訳（メタデータ） (2021-02-15T00:08:39Z) - Estimating Structural Target Functions using Machine Learning and
Influence Functions [103.47897241856603]
統計モデルから特定可能な関数として生じる対象関数の統計的機械学習のための新しい枠組みを提案する。
このフレームワークは問題とモデルに依存しないものであり、応用統計学における幅広い対象パラメータを推定するのに使用できる。
我々は、部分的に観測されていない情報を持つランダム/二重ロバストな問題において、いわゆる粗大化に特に焦点をあてた。
論文 参考訳（メタデータ） (2020-08-14T16:48:29Z) - MIM-Based GAN: Information Metric to Amplify Small Probability Events
Importance in Generative Adversarial Networks [13.599726672717827]
GAN(Generative Adversarial Networks)の観点では、生成データを実データから識別する情報メトリクスは、生成効率のキーポイントにある。
本稿では,情報測度(MIM)から引用される指数形式を採用し,元のGANの対数形式を置き換える。
このアプローチはMIMベースのGANと呼ばれ、ネットワークトレーニングやレアイベント生成のパフォーマンスが向上している。
論文 参考訳（メタデータ） (2020-03-25T09:11:56Z)
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。