論文の概要: Anomaly detection using data depth: multivariate case
- arxiv url: http://arxiv.org/abs/2210.02851v1
- Date: Thu, 6 Oct 2022 12:14:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 15:59:56.898077
- Title: Anomaly detection using data depth: multivariate case
- Title(参考訳): データ深度を用いた異常検出:多変量の場合
- Authors: Pavlo Mozharovskyi
- Abstract要約: 異常検出は機械学習とデータ分析の一分野である。
データ深度(Data depth)は、データセットへの空間の任意の点の帰属度を測定する統計関数である。
本稿では,データ深度を効率的な異常検出ツールとして検討する。
- 参考スコア(独自算出の注目度): 1.1802674324027231
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Anomaly detection is a branch of machine learning and data analysis which
aims at identifying observations that exhibit abnormal behaviour. Be it
measurement errors, disease development, severe weather, production quality
default(s) (items) or failed equipment, financial frauds or crisis events,
their on-time identification, isolation and explanation constitute an important
task in almost any branch of industry and science. By providing a robust
ordering, data depth -- statistical function that measures belongingness of any
point of the space to a data set -- becomes a particularly useful tool for
detection of anomalies. Already known for its theoretical properties, data
depth has undergone substantial computational developments in the last decade
and particularly recent years, which has made it applicable for
contemporary-sized problems of data analysis and machine learning.
In this article, data depth is studied as an efficient anomaly detection
tool, assigning abnormality labels to observations with lower depth values, in
a multivariate setting. Practical questions of necessity and reasonability of
invariances and shape of the depth function, its robustness and computational
complexity, choice of the threshold are discussed. Illustrations include
use-cases that underline advantageous behaviour of data depth in various
settings.
- Abstract(参考訳): 異常検出は、異常な振る舞いを示す観察を識別することを目的とした、機械学習とデータ分析の分野である。
測定エラー、病気発生、厳しい天候、生産品質のデフォルト(item)、または故障した機器、金融詐欺または危機事象であれば、そのオンタイム識別、隔離および説明は、ほとんどあらゆる産業および科学分野において重要なタスクとなる。
堅牢な順序付けを提供することにより、データセットに対する空間の任意の点の属性を測定する統計的関数は、異常の検出に特に有用なツールとなる。
その理論的性質で知られているように、データ深度は過去10年、特に近年でかなりの計算発展を遂げており、現代のデータ分析や機械学習の課題に適用できるようになっている。
本稿では,データ深度を効率的な異常検出ツールとして検討し,多変量設定において,低い深度値の観測に異常ラベルを割り当てる。
不変性の必要性と推論可能性、深さ関数の形状、ロバスト性、計算複雑性、しきい値の選択に関する実践的な疑問について論じる。
イラストには、さまざまな設定でデータ深度の有利な振る舞いを示すユースケースが含まれている。
関連論文リスト
- Progressing from Anomaly Detection to Automated Log Labeling and
Pioneering Root Cause Analysis [53.24804865821692]
本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。
この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
論文 参考訳(メタデータ) (2023-12-22T15:04:20Z) - WePaMaDM-Outlier Detection: Weighted Outlier Detection using Pattern
Approaches for Mass Data Mining [0.6754597324022876]
外乱検出は、システム障害、不正行為、およびデータ内のパターンに関する重要な情報を明らかにすることができる。
本稿では、異なる質量データマイニング領域を持つWePaMaDM-Outlier Detectionを提案する。
また, 監視, 故障検出, 傾向解析において, 異常検出技術におけるデータモデリングの重要性についても検討した。
論文 参考訳(メタデータ) (2023-06-09T07:00:00Z) - Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。
本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。
HypADは自己指導で入力信号を再構築する。
論文 参考訳(メタデータ) (2022-11-16T21:31:39Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳(メタデータ) (2022-09-23T06:09:35Z) - 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) - Architectural Optimization and Feature Learning for High-Dimensional
Time Series Datasets [0.7388859384645262]
重力波検出器における過渡ノイズアーチファクトの存在を予測する問題について検討する。
従来の技術と比較して誤差率を60%以上削減するモデルを導入する。
論文 参考訳(メタデータ) (2022-02-27T23:41:23Z) - Functional Anomaly Detection: a Benchmark Study [4.444788548423704]
異常検出は、非常に高い周波数でサンプリングされた測定に依存することができる。
本研究の目的は, 実データセット上の機能的設定において, 異常検出のための最近の手法の性能について検討することである。
論文 参考訳(メタデータ) (2022-01-13T18:20:32Z) - SLA$^2$P: Self-supervised Anomaly Detection with Adversarial
Perturbation [77.71161225100927]
異常検出は、機械学習の基本的な問題であるが、難しい問題である。
本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
論文 参考訳(メタデータ) (2021-11-25T03:53:43Z) - A Comprehensive Survey on Graph Anomaly Detection with Deep Learning [37.83120827837028]
異常は稀な観測(例えば、データ記録や出来事)であり、他のものとは大きく異なる。
本研究では,グラフ異常検出のための現代のディープラーニング技術について,体系的かつ包括的にレビューすることを目的とする。
論文 参考訳(メタデータ) (2021-06-14T06:04:57Z) - Robust and Transferable Anomaly Detection in Log Data using Pre-Trained
Language Models [59.04636530383049]
クラウドのような大規模コンピュータシステムにおける異常や障害は、多くのユーザに影響を与える。
システム情報の主要なトラブルシューティングソースとして,ログデータの異常検出のためのフレームワークを提案する。
論文 参考訳(メタデータ) (2021-02-23T09:17:05Z) - Smart Anomaly Detection in Sensor Systems: A Multi-Perspective Review [0.0]
異常検出は、期待される振る舞いから著しく逸脱するデータパターンを特定することに関わる。
データ分析からe-health、サイバーセキュリティ、予測メンテナンス、障害防止、産業自動化に至るまで、幅広いアプリケーション領域があるため、これは重要な研究課題である。
本稿では,センサシステムの特定の領域における異常検出に使用される最先端手法について概説する。
論文 参考訳(メタデータ) (2020-10-27T09:56:16Z)
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。