論文の概要: Anomaly Detection with Ensemble of Encoder and Decoder
- arxiv url: http://arxiv.org/abs/2303.06431v1
- Date: Sat, 11 Mar 2023 15:49:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 19:00:48.928244
- Title: Anomaly Detection with Ensemble of Encoder and Decoder
- Title(参考訳): エンコーダとデコーダのアンサンブルによる異常検出
- Authors: Xijuan Sun, Di Wu, Arnaud Zinflou, Benoit Boulet
- Abstract要約: 電力網における異常検出は、電力系統に対するサイバー攻撃による異常を検出し、識別することを目的としている。
本稿では,複数のエンコーダとデコーダを用いて正規サンプルのデータ分布をモデル化し,新しい異常検出手法を提案する。
ネットワーク侵入と電力系統データセットの実験結果から,提案手法の有効性が示された。
- 参考スコア(独自算出の注目度): 2.8199078343161266
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hacking and false data injection from adversaries can threaten power grids'
everyday operations and cause significant economic loss. Anomaly detection in
power grids aims to detect and discriminate anomalies caused by cyber attacks
against the power system, which is essential for keeping power grids working
correctly and efficiently. Different methods have been applied for anomaly
detection, such as statistical methods and machine learning-based methods.
Usually, machine learning-based methods need to model the normal data
distribution. In this work, we propose a novel anomaly detection method by
modeling the data distribution of normal samples via multiple encoders and
decoders. Specifically, the proposed method maps input samples into a latent
space and then reconstructs output samples from latent vectors. The extra
encoder finally maps reconstructed samples to latent representations. During
the training phase, we optimize parameters by minimizing the reconstruction
loss and encoding loss. Training samples are re-weighted to focus more on
missed correlations between features of normal data. Furthermore, we employ the
long short-term memory model as encoders and decoders to test its
effectiveness. We also investigate a meta-learning-based framework for
hyper-parameter tuning of our approach. Experiment results on network intrusion
and power system datasets demonstrate the effectiveness of our proposed method,
where our models consistently outperform all baselines.
- Abstract(参考訳): 敵からのハッキングや偽のデータ注入は電力グリッドの日常的な運用を脅かし、経済的損失を著しく引き起こす可能性がある。
電力グリッドの異常検出は、電力グリッドの正常かつ効率的な動作を維持するために不可欠である、電力システムに対するサイバー攻撃による異常を検出し、識別することを目的としている。
統計手法や機械学習に基づく手法など、さまざまな手法が異常検出に応用されている。
通常、機械学習ベースの方法は、通常のデータ分布をモデル化する必要がある。
本研究では,複数エンコーダとデコーダによる正規サンプルのデータ分布をモデル化し,新しい異常検出法を提案する。
具体的には,入力サンプルを潜時空間にマッピングし,潜時ベクトルからの出力サンプルを再構成する。
余剰エンコーダは最終的に再構成されたサンプルを潜在表現にマッピングする。
トレーニング期間中、再構成損失と符号化損失を最小化してパラメータを最適化する。
トレーニングサンプルは再重み付けされ、通常のデータの特徴間の相関の欠如に焦点が当てられる。
さらに,エンコーダとデコーダとして長期記憶モデルを用い,その有効性を検証した。
また,我々のアプローチのハイパーパラメータチューニングのためのメタラーニングベースのフレームワークについても検討した。
ネットワーク侵入と電力系統データセットを用いた実験により,提案手法の有効性が実証された。
関連論文リスト
- Unsupervised textile defect detection using convolutional neural
networks [0.0]
教師なし繊維異常検出のためのモチーフに基づく新しい手法を提案する。
従来の畳み込みニューラルネットワークの利点と教師なし学習パラダイムの利点を組み合わせる。
パターンファブリクスベンチマークデータセットに対するアプローチの有効性を示す。
論文 参考訳(メタデータ) (2023-11-30T22:08:06Z) - Targeted collapse regularized autoencoder for anomaly detection: black
hole at the center [1.298367590658814]
オートエンコーダは通常のクラスを超えて一般化することができ、いくつかの異常なサンプルに対して小さな再構成誤差を達成できる。
我々は、ニューラルネットワークコンポーネントの追加、計算の関与、煩雑なトレーニングの代わりに、再構成損失を計算的に軽い用語で補うという、驚くほど簡単な方法を提案する。
これは、オートエンコーダに基づく異常検出アルゴリズムのブラックボックスの性質を緩和し、さらなる利点、障害事例、潜在的な新しい方向の解明のための道筋を提供する。
論文 参考訳(メタデータ) (2023-06-22T01:33:47Z) - 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) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Hybridization of Capsule and LSTM Networks for unsupervised anomaly
detection on multivariate data [0.0]
本稿では,Long-Short-Term-Memory(LSTM)とCapsule Networksを1つのネットワークに結合した新しいNNアーキテクチャを提案する。
提案手法は教師なし学習手法を用いて大量のラベル付きトレーニングデータを見つける際の問題を克服する。
論文 参考訳(メタデータ) (2022-02-11T10:33:53Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳(メタデータ) (2021-11-03T03:50:48Z) - Meta-learning One-class Classifiers with Eigenvalue Solvers for
Supervised Anomaly Detection [55.888835686183995]
教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。
提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
論文 参考訳(メタデータ) (2021-03-01T01:43:04Z) - 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) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2020-03-24T08:26:58Z)
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。