論文の概要: Deep Anomaly Detection and Search via Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2208.14834v1
- Date: Wed, 31 Aug 2022 13:03:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-01 13:38:25.590049
- Title: Deep Anomaly Detection and Search via Reinforcement Learning
- Title(参考訳): 強化学習による深部異常検出と探索
- Authors: Chao Chen, Dawei Wang, Feng Mao, Zongzhang Zhang, Yang Yu
- Abstract要約: 本研究では,エクスプロイトと探索のバランスをとるために,DADS(Deep Anomaly Detection and Search)を提案する。
トレーニングプロセス中、DADSは階層的なデータセットを持つ可能性のある異常を検索する。
その結果,DADSはラベルのないデータから異常を効率よく正確に検索し,そこから学習できることがわかった。
- 参考スコア(独自算出の注目度): 22.005663849044772
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semi-supervised Anomaly Detection (AD) is a kind of data mining task which
aims at learning features from partially-labeled datasets to help detect
outliers. In this paper, we classify existing semi-supervised AD methods into
two categories: unsupervised-based and supervised-based, and point out that
most of them suffer from insufficient exploitation of labeled data and
under-exploration of unlabeled data. To tackle these problems, we propose Deep
Anomaly Detection and Search (DADS), which applies Reinforcement Learning (RL)
to balance exploitation and exploration. During the training process, the agent
searches for possible anomalies with hierarchically-structured datasets and
uses the searched anomalies to enhance performance, which in essence draws
lessons from the idea of ensemble learning. Experimentally, we compare DADS
with several state-of-the-art methods in the settings of leveraging labeled
known anomalies to detect both other known anomalies and unknown anomalies.
Results show that DADS can efficiently and precisely search anomalies from
unlabeled data and learn from them, thus achieving good performance.
- Abstract(参考訳): 半教師付き異常検出(Semi-supervised Anomaly Detection, AD)は、部分的にラベル付けされたデータセットから機能を学ぶことを目的としたデータマイニングタスクの一種である。
本稿では,既存の半教師付き広告手法を,教師なし広告と教師なし広告の2つのカテゴリに分類し,ラベル付きデータの活用不足とラベルなしデータの過密化に苦しむことを指摘する。
このような問題に対処するために, 強化学習(Reinforcement Learning, RL)を応用したDADS(Deep Anomaly Detection and Search)を提案する。
トレーニングプロセス中、エージェントは階層的に構造化されたデータセットで可能な異常を検索し、検索された異常を使用してパフォーマンスを向上させる。
実験では,他の既知の異常と未知の異常の両方を検出するためにラベル付き既知の異常を利用する設定において,DADSと最先端のいくつかの手法を比較した。
その結果,DADSはラベルのないデータから異常を効率よく正確に検索し,そこから学習し,良好な性能が得られることがわかった。
関連論文リスト
- Weakly Supervised Anomaly Detection via Knowledge-Data Alignment [24.125871437370357]
マルウェア検出、マネーロンダリング、デバイス障害検出、ネットワーク障害解析など、多数のWebベースのアプリケーションにおいて、異常検出が重要な役割を果たす。
Weakly Supervised Anomaly Detection (WSAD) が導入された。
本稿では,ルール知識を統合するための知識データアライメント(KDAlign)について紹介する。
論文 参考訳(メタデータ) (2024-02-06T07:57:13Z) - Active anomaly detection based on deep one-class classification [9.904380236739398]
我々は,Deep SVDDにおけるアクティブラーニングの2つの重要な課題,すなわちクエリ戦略と半教師付きラーニング手法に対処する。
まず、単に異常を識別するのではなく、適応境界に従って不確実なサンプルを選択する。
第2に、ラベル付き正規データと異常データの両方を効果的に組み込むために、一級分類モデルの訓練にノイズコントラスト推定を適用した。
論文 参考訳(メタデータ) (2023-09-18T03:56:45Z) - Unsupervised Anomaly Detection via Nonlinear Manifold Learning [0.0]
異常は、残りのデータから著しく逸脱するサンプルであり、その検出は機械学習モデルを構築する上で大きな役割を果たす。
非線形多様体学習に基づく頑健で効率的かつ解釈可能な手法を導入し,教師なし設定における異常を検出する。
論文 参考訳(メタデータ) (2023-06-15T18:48:10Z) - Adaptive Negative Evidential Deep Learning for Open-set Semi-supervised
Learning [73.31528264881868]
オープンセット半教師付き学習(Open-set SSL)は、ラベル付きデータ(inliers)で観測されない新しいカテゴリ(outliers)を含むラベル付きデータとテストデータを含む、より実践的なシナリオである。
本研究では,様々な不確かさを定量化するための外乱検出器として顕在的深層学習(EDL)を導入し,自己学習と推論のための異なる不確実性指標を設計する。
Inlierとoutlierの両方を含むラベルなしデータセットに適合するように、新しい適応的負の最適化戦略を提案する。
論文 参考訳(メタデータ) (2023-03-21T09:07:15Z) - Weakly Supervised Anomaly Detection: A Survey [75.26180038443462]
異常検出(AD)は、さまざまなアプリケーションによる機械学習において重要なタスクである。
弱教師付き異常検出法(WSAD)の総合的な調査を行った。
各設定に対して、正式な定義、鍵アルゴリズム、潜在的な将来の方向性を提供する。
論文 参考訳(メタデータ) (2023-02-09T10:27:21Z) - 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) - Data-Efficient and Interpretable Tabular Anomaly Detection [54.15249463477813]
本稿では,ホワイトボックスモデルクラスである一般化付加モデルを適用し,異常を検出する新しいフレームワークを提案する。
さらに、提案フレームワークであるDIADは、ラベル付きデータの少量を組み込んで、半教師付き設定における異常検出性能をさらに向上させることができる。
論文 参考訳(メタデータ) (2022-03-03T22:02:56Z) - A Taxonomy of Anomalies in Log Data [0.09558392439655014]
異常の一般的な分類法は、すでに存在するが、ログデータに特に適用されていない。
本稿では,異なる種類のログデータ異常に対する分類法を提案し,ラベル付きデータセットにおけるそのような異常を分析する方法を提案する。
以上の結果から,最も一般的な異常型が予測し易いことが示唆された。
論文 参考訳(メタデータ) (2021-11-26T12:23:06Z) - Self-Trained One-class Classification for Unsupervised Anomaly Detection [56.35424872736276]
異常検出(AD)は、製造から医療まで、さまざまな分野に応用されている。
本研究は、トレーニングデータ全体がラベル付けされておらず、正規サンプルと異常サンプルの両方を含む可能性のある、教師なしAD問題に焦点を当てる。
この問題に対処するため,データリファインメントによる堅牢な一級分類フレームワークを構築した。
本手法は6.3AUCと12.5AUCの平均精度で最先端の1クラス分類法より優れていることを示す。
論文 参考訳(メタデータ) (2021-06-11T01:36:08Z) - Toward Deep Supervised Anomaly Detection: Reinforcement Learning from
Partially Labeled Anomaly Data [150.9270911031327]
本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。
既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。
そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2020-09-15T03:05:39Z)
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。