論文の概要: Adaptive Model Pooling for Online Deep Anomaly Detection from a Complex Evolving Data Stream

• arxiv url: http://arxiv.org/abs/2206.04792v1
• Date: Thu, 9 Jun 2022 23:11:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-13 15:25:13.058301
• Title: Adaptive Model Pooling for Online Deep Anomaly Detection from a Complex Evolving Data Stream
• Title（参考訳）: 複合進化データストリームからのオンライン深部異常検出のための適応型モデルプール
• Authors: Susik Yoon, Youngjun Lee, Jae-Gil Lee, Byung Suk Lee
• Abstract要約: 本稿では,自己エンコーダに基づくディープ・アノマリー検出手法を用いて,オンラインのディープ・アノマリー検出のためのフレームワークARCUSを提案する。 適応型モデルプーリングアプローチと2つの新しいテクニックを使って、複雑なデータストリームと進化するデータストリームを処理する。 高次元とコンセプトドリフトの両方の10データセットを用いた総合的な実験において、ARCUSは、最先端のオートエンコーダベースの手法のストリーミング変種を、それぞれ最大22%と37%の精度で検出した。
• 参考スコア（独自算出の注目度）: 15.599296461516984
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online anomaly detection from a data stream is critical for the safety and security of many applications but is facing severe challenges due to complex and evolving data streams from IoT devices and cloud-based infrastructures. Unfortunately, existing approaches fall too short for these challenges; online anomaly detection methods bear the burden of handling the complexity while offline deep anomaly detection methods suffer from the evolving data distribution. This paper presents a framework for online deep anomaly detection, ARCUS, which can be instantiated with any autoencoder-based deep anomaly detection methods. It handles the complex and evolving data streams using an adaptive model pooling approach with two novel techniques: concept-driven inference and drift-aware model pool update; the former detects anomalies with a combination of models most appropriate for the complexity, and the latter adapts the model pool dynamically to fit the evolving data streams. In comprehensive experiments with ten data sets which are both high-dimensional and concept-drifted, ARCUS improved the anomaly detection accuracy of the streaming variants of state-of-the-art autoencoder-based methods and that of the state-of-the-art streaming anomaly detection methods by up to 22% and 37%, respectively.
• Abstract（参考訳）: データストリームからのオンライン異常検出は、多くのアプリケーションの安全性とセキュリティにとって重要であるが、IoTデバイスやクラウドベースのインフラストラクチャからの複雑なデータストリームの進化による深刻な問題に直面している。 オンラインの異常検出手法は、オフラインの深い異常検出手法が進化するデータ分布に苦しむのに対して、複雑さを扱う負担を負う。 本稿では,任意のオートエンコーダに基づく深部異常検出手法を用いてインスタンス化可能な,オンライン深部異常検出フレームワークargusを提案する。 前者は複雑性に最も適したモデルの組み合わせで異常を検知し、後者は進化するデータストリームに適合するようにモデルプールを動的に適応する。 ARCUSは、高次元とコンセプトドリフトの両方の10データセットを用いた総合的な実験において、最先端オートエンコーダ法と最先端ストリーミング異常検出法のストリーミング変種の異常検出精度を最大22%と37%向上させた。

関連論文リスト

• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• Autoencoder-based Anomaly Detection in Streaming Data with Incremental Learning and Concept Drift Adaptation [10.41066461952124]
  ドリフト検出(strAEm++DD)を用いた自動エンコーダに基づく漸進学習手法を提案する。 提案手法は,逐次学習とドリフト検出の両方の利点を利用する。 我々は,重度あるいは極度のクラス不均衡を持つ実世界のデータセットと合成データセットを用いて実験を行い,StraAEm++DDの実証分析を行った。
  論文  参考訳（メタデータ） (2023-05-15T19:40:04Z)
• DTAAD: Dual Tcn-Attention Networks for Anomaly Detection in Multivariate Time Series Data [0.0]
  本稿では,Transformer と Dual Temporal Convolutional Network (TCN) に基づく異常検出・診断モデル DTAAD を提案する。 予測精度の向上と相関性の向上のために,スケーリング手法とフィードバック機構を導入している。 7つの公開データセットに対する実験により、DTAADは検出および診断性能の両面で現在最先端のベースライン法の大部分を超えていることが確認された。
  論文  参考訳（メタデータ） (2023-02-17T06:59:45Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• 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)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)
• Anomaly Detection using Deep Autoencoders for in-situ Wastewater Systems Monitoring Data [0.0]
  本稿では, 深部自動エンコーダを用いた廃棄物システム監視データの異常検出手法を提案する。 そして、復号ステージの復元誤差に基づいて異常検出を行う。
  論文  参考訳（メタデータ） (2020-02-07T09:53:46Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。