論文の概要: From Explanation to Action: An End-to-End Human-in-the-loop Framework for Anomaly Reasoning and Management

• arxiv url: http://arxiv.org/abs/2304.03368v1
• Date: Thu, 6 Apr 2023 20:49:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-10 13:48:57.455254
• Title: From Explanation to Action: An End-to-End Human-in-the-loop Framework for Anomaly Reasoning and Management
• Title（参考訳）: 説明から行動へ: 異常推論と管理のためのエンドツーエンドのヒューマン・イン・ザ・ループフレームワーク
• Authors: Xueying Ding, Nikita Seleznev, Senthil Kumar, C. Bayan Bruss, Leman Akoglu
• Abstract要約: ALARMは、異常採掘サイクルを包括的にサポートするエンドツーエンドフレームワークである。 異常な説明と、ヒューマン・イン・ザ・ループ・プロセスのための対話型GUIを提供する。 我々は、金融業界の詐欺アナリストによる一連のケーススタディを通じて、ALARMの有効性を実証する。
• 参考スコア（独自算出の注目度）: 15.22568616519016
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Anomalies are often indicators of malfunction or inefficiency in various systems such as manufacturing, healthcare, finance, surveillance, to name a few. While the literature is abundant in effective detection algorithms due to this practical relevance, autonomous anomaly detection is rarely used in real-world scenarios. Especially in high-stakes applications, a human-in-the-loop is often involved in processes beyond detection such as verification and troubleshooting. In this work, we introduce ALARM (for Analyst-in-the-Loop Anomaly Reasoning and Management); an end-to-end framework that supports the anomaly mining cycle comprehensively, from detection to action. Besides unsupervised detection of emerging anomalies, it offers anomaly explanations and an interactive GUI for human-in-the-loop processes -- visual exploration, sense-making, and ultimately action-taking via designing new detection rules -- that help close ``the loop'' as the new rules complement rule-based supervised detection, typical of many deployed systems in practice. We demonstrate \method's efficacy through a series of case studies with fraud analysts from the financial industry.
• Abstract（参考訳）: 異常はしばしば、製造業、医療、金融、監視など様々なシステムにおける機能不全や非効率の指標である。 この実用的妥当性から効果的な検出アルゴリズムでは文献が豊富であるが、現実のシナリオでは自律的異常検出は滅多に用いられない。 特に高スループットアプリケーションでは、ヒューマン・イン・ザ・ループは検証やトラブルシューティングといった検出以外のプロセスに関与していることが多い。 本稿では,検出から行動まで,異常マイニングサイクルを包括的にサポートするエンドツーエンドフレームワークであるアラーム(anomaly reasoning and management)を紹介する。 新たなルールがルールベースの教師付き検出を補完するものとして‘ループ’を閉じるのに役立つような、視覚的な探索、センスメイキング、最終的には新しい検出ルールを設計することで、人間のループプロセスに対する異常な説明と対話的なGUIを提供する。 我々は,金融業界の詐欺アナリストによる一連のケーススタディを通じて,‘method’の有効性を実証する。

関連論文リスト

• How Industry Tackles Anomalies during Runtime: Approaches and Key Monitoring Parameters [4.041882008624403]
  本稿では,様々な産業分野における異常や現在の異常検出手法を理解することを目的とする。 また、実行時の監視データを通じて異常を特定するのに必要なパラメータを特定することも目標としている。
  論文  参考訳（メタデータ） (2024-08-14T21:10:15Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
  本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• Detecting Anomalous Events in Object-centric Business Processes via Graph Neural Networks [55.583478485027]
  本研究では,ビジネスプロセスにおける異常検出のための新しいフレームワークを提案する。 まず、属性グラフとしてオブジェクト中心のイベントログのプロセス依存性を再構築する。 次に、異常事象を検出するために、グラフ畳み込みオートエンコーダアーキテクチャを用いる。
  論文  参考訳（メタデータ） (2024-02-14T14:17:56Z)
• Algorithmic Recourse for Anomaly Detection in Multivariate Time Series [19.74694026053318]
  本稿では、異常な時間ステップを反転させるリコースアクションを推奨できるRecADと呼ばれるアルゴリズム的リコースフレームワークを提案する。 2つの合成データセットと1つの実世界のデータセットの実験は、我々のフレームワークの有効性を示している。
  論文  参考訳（メタデータ） (2023-09-28T23:50:11Z)
• Interactive System-wise Anomaly Detection [66.3766756452743]
  異常検出は様々なアプリケーションにおいて基本的な役割を果たす。 既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。 システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
  論文  参考訳（メタデータ） (2023-04-21T02:20:24Z)
• Label-Efficient Interactive Time-Series Anomaly Detection [17.799924009674694]
  ラベル効率の良い対話型時系列異常検出システム(LEIAD)を提案する。 この目標を達成するために、システムは弱い監督と活発な学習を協調的に統合する。 本稿では,3つの時系列異常検出データセットについて実験を行い,提案手法が既存手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-30T10:16:15Z)
• Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
  時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。 時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。 本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
  論文  参考訳（メタデータ） (2022-11-09T22:40:22Z)
• 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)
• Sintel: A Machine Learning Framework to Extract Insights from Signals [13.04826679898367]
  Sintelは、異常検出などのエンドツーエンドの時系列タスクのための機械学習フレームワークである。 Sintelは異常検出の全ジャーニーをログし、時間とともに異常の詳細なドキュメントを提供する。 ユーザは、インタラクティブな視覚化ツールを使って、信号を分析し、メソッドを比較し、異常を調査できる。
  論文  参考訳（メタデータ） (2022-04-19T19:38:27Z)
• 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)
• Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
  ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。 本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:48:02Z)

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。