論文の概要: AD-NEV: A Scalable Multi-level Neuroevolution Framework for Multivariate Anomaly Detection

• arxiv url: http://arxiv.org/abs/2305.16497v1
• Date: Thu, 25 May 2023 21:52:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-29 17:55:55.039568
• Title: AD-NEV: A Scalable Multi-level Neuroevolution Framework for Multivariate Anomaly Detection
• Title（参考訳）: AD-NEV:多変量異常検出のためのスケーラブル多段階神経進化フレームワーク
• Authors: Marcin Pietron, Dominik Zurek, Kamil Faber, Roberto Corizzo
• Abstract要約: 異常検出ツールと手法は、現代のサイバー物理および障害予測システムにおいて重要な機能を示す。 与えられたデータセットのモデル最適化は、面倒で時間のかかるプロセスである。 スケーラブルな多レベル最適化ニューロエボリューションフレームワークであるAnomaly Detection Neuroevolution (AD-NEv)を提案する。
• 参考スコア（独自算出の注目度）: 1.0323063834827415
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection tools and methods present a key capability in modern cyberphysical and failure prediction systems. Despite the fast-paced development in deep learning architectures for anomaly detection, model optimization for a given dataset is a cumbersome and time consuming process. Neuroevolution could be an effective and efficient solution to this problem, as a fully automated search method for learning optimal neural networks, supporting both gradient and non-gradient fine tuning. However, existing methods mostly focus on optimizing model architectures without taking into account feature subspaces and model weights. In this work, we propose Anomaly Detection Neuroevolution (AD-NEv) - a scalable multi-level optimized neuroevolution framework for multivariate time series anomaly detection. The method represents a novel approach to synergically: i) optimize feature subspaces for an ensemble model based on the bagging technique; ii) optimize the model architecture of single anomaly detection models; iii) perform non-gradient fine-tuning of network weights. An extensive experimental evaluation on widely adopted multivariate anomaly detection benchmark datasets shows that the models extracted by AD-NEv outperform well-known deep learning architectures for anomaly detection. Moreover, results show that AD-NEv can perform the whole process efficiently, presenting high scalability when multiple GPUs are available.
• Abstract（参考訳）: 異常検出ツールと手法は、現代のサイバー物理学および故障予測システムにおいて重要な能力を示す。 異常検出のためのディープラーニングアーキテクチャの急速な発展にもかかわらず、与えられたデータセットのモデル最適化は面倒で時間のかかるプロセスである。 神経進化は、勾配と非勾配の微調整の両方をサポートする最適なニューラルネットワークを学習するための完全自動化された探索法として、この問題に効果的で効率的な解決策となり得る。 しかし、既存の手法は主に機能部分空間やモデルの重みを考慮せずにモデルアーキテクチャを最適化することに焦点を当てている。 本研究では,多変量時系列異常検出のためのスケーラブルな多段階最適化ニューロ進化フレームワークであるAnomaly Detection Neuroevolution (AD-NEv)を提案する。 この方法は、相乗的に新しいアプローチを示す。 一 バンジ技術に基づくアンサンブルモデルのための特徴部分空間の最適化 二 単一異常検出モデルのモデルアーキテクチャを最適化すること。 三 ネットワーク重量の緩やかな微調整を行うこと。 広く採用されている多変量異常検出ベンチマークデータセットの広範な実験的評価は、AD-NEvによって抽出されたモデルが、異常検出のためによく知られたディープラーニングアーキテクチャより優れていることを示している。 さらに、AD-NEvはプロセス全体を効率的に実行でき、複数のGPUが利用可能な場合に高いスケーラビリティを示す。

関連論文リスト

• AD-NEv++ : The multi-architecture neuroevolution-based multivariate anomaly detection framework [0.794682109939797]
  異常検出ツールと方法は、現代のサイバー物理およびセンサーベースのシステムにおいて重要な分析機能を可能にする。 我々は,サブスペース進化,モデル進化,微調整を相乗的に組み合わせた3段階の神経進化に基づくAD-NEv++を提案する。 我々は、AD-NEv++が全ての異常検出ベンチマークにおいて最先端のGNN(Graph Neural Networks)モデルアーキテクチャを改善し、性能を向上できることを示す。
  論文  参考訳（メタデータ） (2024-03-25T08:40:58Z)
• Model-Based Control with Sparse Neural Dynamics [23.961218902837807]
  モデル学習と予測制御を統合した新しいフレームワークを提案する。 我々は,既存の最先端手法よりもクローズドループ性能を向上できることを示す。
  論文  参考訳（メタデータ） (2023-12-20T06:25:02Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• Learning Large-scale Neural Fields via Context Pruned Meta-Learning [60.93679437452872]
  本稿では,大規模ニューラルネットワーク学習のための最適化に基づくメタラーニング手法を提案する。 メタテスト時間における勾配再スケーリングは、非常に高品質なニューラルネットワークの学習を可能にすることを示す。 我々のフレームワークは、モデルに依存しない、直感的で、実装が容易であり、幅広い信号に対する大幅な再構成改善を示す。
  論文  参考訳（メタデータ） (2023-02-01T17:32:16Z)
• Fast and scalable neuroevolution deep learning architecture search for multivariate anomaly detection [0.0]
  この研究は、異常検出のための多段階神経進化アプローチの改善に焦点を当てている。 提案フレームワークは,任意の非教師なしタスクに対して,効率的な学習ネットワークアーキテクチャ手法として利用することができる。
  論文  参考訳（メタデータ） (2021-12-10T16:14:43Z)
• 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)
• Ensemble neuroevolution based approach for multivariate time series anomaly detection [0.0]
  本研究では、新しいモデルやすでに知られているモデルの異常検出スコアを高めるために、神経進化手法を組み込んだフレームワークを示す。 提案フレームワークは, 異常検出深層学習モデルの大部分を, 適切な時間と完全自動モードで向上させることが可能であることを示す。
  論文  参考訳（メタデータ） (2021-08-08T07:55:07Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• Non-Gradient Manifold Neural Network [79.44066256794187]
  ディープニューラルネットワーク(DNN)は通常、勾配降下による最適化に数千のイテレーションを要します。 非次最適化に基づく新しい多様体ニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-15T06:39:13Z)
• 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)

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。