論文の概要: A Revealing Large-Scale Evaluation of Unsupervised Anomaly Detection
Algorithms
- arxiv url: http://arxiv.org/abs/2204.09825v1
- Date: Thu, 21 Apr 2022 00:17:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-22 12:58:07.588306
- Title: A Revealing Large-Scale Evaluation of Unsupervised Anomaly Detection
Algorithms
- Title(参考訳): 教師なし異常検出アルゴリズムの大規模評価
- Authors: Maxime Alvarez, Jean-Charles Verdier, D'Jeff K. Nkashama, Marc
Frappier, Pierre-Martin Tardif, Froduald Kabanza
- Abstract要約: 異常検出には、銀行詐欺検知やサイバー脅威検出から機器のメンテナンスや健康モニタリングまで、多くの応用がある。
我々は,最も普及している非教師付き異常検出方法の12点を概観した。
- 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 has many applications ranging from bank-fraud detection and
cyber-threat detection to equipment maintenance and health monitoring. However,
choosing a suitable algorithm for a given application remains a challenging
design decision, often informed by the literature on anomaly detection
algorithms. We extensively reviewed twelve of the most popular unsupervised
anomaly detection methods. We observed that, so far, they have been compared
using inconsistent protocols - the choice of the class of interest or the
positive class, the split of training and test data, and the choice of
hyperparameters - leading to ambiguous evaluations. This observation led us to
define a coherent evaluation protocol which we then used to produce an updated
and more precise picture of the relative performance of the twelve methods on
five widely used tabular datasets. While our evaluation cannot pinpoint a
method that outperforms all the others on all datasets, it identifies those
that stand out and revise misconceived knowledge about their relative
performances.
- Abstract(参考訳): 異常検出には、銀行詐欺検出やサイバー脅威検出から機器のメンテナンスや健康モニタリングまで、多くの応用がある。
しかしながら、与えられたアプリケーションに適したアルゴリズムを選択することは、しばしば異常検出アルゴリズムに関する文献から知らされる、設計上の困難な決定である。
我々は,最も一般的な教師なし異常検出法12を精査した。
これまでのところ、関心のクラスや肯定的なクラスの選択、トレーニングとテストデータの分割、ハイパーパラメータの選択など、一貫性のないプロトコルを使って比較されていることが、あいまいな評価につながっています。
この結果から,広範に使用されている5つの表付きデータセット上での12手法の相対的性能の更新と精度向上のために,コヒーレント評価プロトコルを定義した。
評価では,全てのデータセットで他よりも優れる手法を特定できないが,顕著な点を認識し,相対的な性能に関する誤った知識を再考する。
関連論文リスト
- Unifying Unsupervised Graph-Level Anomaly Detection and Out-of-Distribution Detection: A Benchmark [73.58840254552656]
近年,非教師付きグラフレベルの異常検出(GLAD)と教師なしグラフレベルのアウト・オブ・ディストリビューション(OOD)検出が注目されている。
教師なしグラフレベルのOODと異常検出のための統一ベンチマーク(我々の方法)を提案する。
我々のベンチマークでは、4つの実用的な異常とOOD検出シナリオにまたがる35のデータセットを網羅している。
我々は,既存手法の有効性,一般化性,堅牢性,効率性について多次元解析を行った。
論文 参考訳(メタデータ) (2024-06-21T04:07:43Z) - A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。
このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。
我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文 参考訳(メタデータ) (2024-06-05T13:40:07Z) - Benchmark Evaluation of Anomaly-Based Intrusion Detection Systems in the Context of Smart Grids [2.479074862022315]
異常検出は、スマートグリッドにおけるサイバーセキュリティの鍵となる技術として登場した。
スマートグリッドにおける異常検出手法の評価環境を提案する。
論文 参考訳(メタデータ) (2023-12-21T10:17:36Z) - On Pixel-level Performance Assessment in Anomaly Detection [87.7131059062292]
異常検出法は様々な応用において顕著な成功を収めている。
しかし、特にピクセルレベルでのパフォーマンスを評価することは複雑な課題である。
本稿では,視覚的エビデンスと統計的分析により,この課題の複雑さを解明する。
論文 参考訳(メタデータ) (2023-10-25T08:02:27Z) - 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) - 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) - A Comparative Study on Unsupervised Anomaly Detection for Time Series:
Experiments and Analysis [28.79393419730138]
時系列異常検出は、信頼性と安全性を実現するためにしばしば不可欠である。
近年,時系列データの異常検出が盛んに行われている。
データ、メソッド、評価戦略について紹介する。
我々は,最先端技術とディープラーニング技術とを体系的に評価し,比較した。
論文 参考訳(メタデータ) (2022-09-10T10:44:25Z) - Towards Benchmarking and Evaluating Deepfake Detection [18.758101631430726]
ディープフェイク検出は、操作されたビデオと非修正されたビデオの違いを分析することによって、操作されたメディアを自動的に認識する。
評価条件が研究間で矛盾しているため,既存の検出手法の音響ベンチマーク比較を行うことは困難である。
本研究の目的は,包括的かつ一貫したベンチマークを確立すること,反復可能な評価手順を開発すること,および検出手法の幅広い性能を測定することである。
論文 参考訳(メタデータ) (2022-03-04T03:12:15Z) - Data-Uncertainty Guided Multi-Phase Learning for Semi-Supervised Object
Detection [66.10057490293981]
半監視対象検出のためのデータ不確実性誘導多相学習法を提案する。
本手法は,ベースライン手法と比較して異常に動作し,大きなマージンで性能を向上する。
論文 参考訳(メタデータ) (2021-03-29T09:27:23Z) - Unsupervised Anomaly Detectors to Detect Intrusions in the Current
Threat Landscape [0.11470070927586014]
本研究では,Isolation Forests,One-Class Support Vector Machines,Self-Organizing Mapsが侵入検知用よりも有効であることを示した。
不安定、分散、あるいは非可逆的行動による攻撃を、ファジング、ワーム、ボットネットなどによって検出することがより困難である点を詳述する。
論文 参考訳(メタデータ) (2020-12-21T14:06:58Z)
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。