論文の概要: PSL is Dead. Long Live PSL

• arxiv url: http://arxiv.org/abs/2205.14136v1
• Date: Fri, 27 May 2022 17:55:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-30 15:45:02.064557
• Title: PSL is Dead. Long Live PSL
• Title（参考訳）: PSLは死んだ。 ロングライブpsl
• Authors: Kevin Smith, Hai Lin, Praveen Tiwari, Marjorie Sayer, Claudionor Coelho
• Abstract要約: プロパティ仕様言語(英: Property Specification Language、PSL)は、主に独立したドメインで使われている時間論理の一種である。 機械学習技術とPSLモニタを組み合わせることで、PSLを連続的なドメインに拡張できることを示す。
• 参考スコア（独自算出の注目度）: 3.280253526254703
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Property Specification Language (PSL) is a form of temporal logic that has been mainly used in discrete domains (e.g. formal hardware verification). In this paper, we show that by merging machine learning techniques with PSL monitors, we can extend PSL to work on continuous domains. We apply this technique in machine learning-based anomaly detection to analyze scenarios of real-time streaming events from continuous variables in order to detect abnormal behaviors of a system. By using machine learning with formal models, we leverage the strengths of both machine learning methods and formal semantics of time. On one hand, machine learning techniques can produce distributions on continuous variables, where abnormalities can be captured as deviations from the distributions. On the other hand, formal methods can characterize discrete temporal behaviors and relations that cannot be easily learned by machine learning techniques. Interestingly, the anomalies detected by machine learning and the underlying time representation used are discrete events. We implemented a temporal monitoring package (TEF) that operates in conjunction with normal data science packages for anomaly detection machine learning systems, and we show that TEF can be used to perform accurate interpretation of temporal correlation between events.
• Abstract（参考訳）: プロパティ仕様言語(Property Specification Language、PSL)は、主に独立したドメイン(例えば、正式なハードウェア検証)で使われている時間論理の形式である。 本稿では,機械学習技術とpslモニタを融合することにより,pslを連続的な領域に拡張できることを示す。 この手法を機械学習に基づく異常検出に適用し、連続変数からリアルタイムストリーミングイベントのシナリオを分析し、システムの異常挙動を検出する。 フォーマルなモデルで機械学習を使用することで、機械学習手法と時間の意味論の両方の長所を活用できる。 一方、機械学習技術は連続変数上の分布を生成し、その分布からの逸脱として異常を捉えることができる。 一方、形式的手法は、機械学習技術では容易に学べない離散的時間的行動と関係を特徴付けることができる。 興味深いことに、機械学習によって検出された異常と使用される時間表現は離散イベントである。 我々は、異常検出機械学習システムのための通常のデータサイエンスパッケージと連動して動作する時間モニタリングパッケージ(TEF)を実装し、イベント間の時間的相関の正確な解釈を行うことができることを示す。

関連論文リスト

• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Representing Timed Automata and Timing Anomalies of Cyber-Physical Production Systems in Knowledge Graphs [51.98400002538092]
  本稿では,学習されたタイムドオートマトンとシステムに関する公式知識グラフを組み合わせることで,CPPSのモデルベース異常検出を改善することを目的とする。 モデルと検出された異常の両方を知識グラフに記述し、モデルと検出された異常をより容易に解釈できるようにする。
  論文  参考訳（メタデータ） (2023-08-25T15:25:57Z)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• Explainable AI for Time Series via Virtual Inspection Layers [11.879170124003252]
  本研究では,時系列を解釈可能な表現に変換する仮想検査層を提案する。 このようにして、XAIメソッドのファミリーの適用性を、変換後にのみ入力が解釈可能な領域(例えば、音声)に拡張する。 音声や電子カルテなどの時系列分類におけるDFT-LRPの有用性を示す。
  論文  参考訳（メタデータ） (2023-03-11T10:20:47Z)
• 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)
• STRODE: Stochastic Boundary Ordinary Differential Equation [30.237665903943963]
  時系列モデリングのほとんどのアルゴリズムは、視覚や音声の入力から直接ランダムなイベントタイミングのダイナミクスを学習できない。 本稿では、学習中にタイミングアノテーションを必要とせず、時系列データのタイミングとダイナミクスの両方を学習する確率的常微分方程式(ODE)を提案する。 その結果,本手法は時系列データのイベントタイミング推定に有効であることがわかった。
  論文  参考訳（メタデータ） (2021-07-17T16:25:46Z)
• On Disentanglement in Gaussian Process Variational Autoencoders [3.403279506246879]
  時系列データ上で異なるタスクに成功しているモデルを最近導入した。 本モデルでは,各潜伏チャネルをGP前にモデル化し,構造的変動分布を用いることで,データの時間的構造を利用する。 実世界の医療時系列データから有意義な不整合表現を学習できる証拠を提供する。
  論文  参考訳（メタデータ） (2021-02-10T15:49:27Z)
• LSTM for Model-Based Anomaly Detection in Cyber-Physical Systems [4.020523898765404]
  異常検出は、与えられたコンテキストにおけるシステムの通常の振る舞いとは異なるデータを検出するタスクである。 LSTM(Long Short-Term Memory)ニューラルネットワークは、時系列を学習するのに特に有用であることが示されている。 私たちは、人工データと実データに対するアプローチを分析します。
  論文  参考訳（メタデータ） (2020-10-29T15:26:08Z)
• 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)
• Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
  定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。 ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。 本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-05T07:06:19Z)
• Tensor network based machine learning of non-Markovian quantum processes [0.0]
  テンソルネットワークに基づく機械学習アルゴリズムを用いて,汎用的で非マルコフ的量子プロセスの構造を学習する方法を示す。 非マルコビアン性の尺度であるMPOの結合次元は、系の特性、環境、およびそれらの相互作用にどのように依存するかを示す。
  論文  参考訳（メタデータ） (2020-04-23T09:24:34Z)

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。