論文の概要: A Novel DDPM-based Ensemble Approach for Energy Theft Detection in Smart Grids

• arxiv url: http://arxiv.org/abs/2307.16149v3
• Date: Sat, 13 Jan 2024 08:00:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-18 01:55:51.047641
• Title: A Novel DDPM-based Ensemble Approach for Energy Theft Detection in Smart Grids
• Title（参考訳）: スマートグリッドにおけるエネルギー盗難検出のためのddpmに基づく新しいアンサンブル手法
• Authors: Xun Yuan and Yang Yang and Asif Iqbal and Prosanta Gope and Biplab Sikdar
• Abstract要約: エネルギー盗難は、グリッドオペレーターに二重の脅威をもたらす金融損失をもたらし、スマートグリッドのパフォーマンスを損なう。 現在のETD法は教師あり学習に依存しており、データのラベル付けが困難であり、既知の攻撃に過度に適合する危険性がある。 本稿では,DDPMに基づくETD手法を提案する。
• 参考スコア（独自算出の注目度）: 18.587725467956087
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Energy theft, characterized by manipulating energy consumption readings to reduce payments, poses a dual threat-causing financial losses for grid operators and undermining the performance of smart grids. Effective Energy Theft Detection (ETD) methods become crucial in mitigating these risks by identifying such fraudulent activities in their early stages. However, the majority of current ETD methods rely on supervised learning, which is hindered by the difficulty of labelling data and the risk of overfitting known attacks. To address these challenges, several unsupervised ETD methods have been proposed, focusing on learning the normal patterns from honest users, specifically the reconstruction of input. However, our investigation reveals a limitation in current unsupervised ETD methods, as they can only detect anomalous behaviours in users exhibiting regular patterns. Users with high-variance behaviours pose a challenge to these methods. In response, this paper introduces a Denoising Diffusion Probabilistic Model (DDPM)-based ETD approach. This innovative approach demonstrates impressive ETD performance on high-variance smart grid data by incorporating additional attributes correlated with energy consumption. The proposed methods improve the average ETD performance on high-variance smart grid data from below 0.5 to over 0.9 w.r.t. AUC. On the other hand, our experimental findings indicate that while the state-of-the-art ETD methods based on reconstruction error can identify ETD attacks for the majority of users, they prove ineffective in detecting attacks for certain users. To address this, we propose a novel ensemble approach that considers both reconstruction error and forecasting error, enhancing the robustness of the ETD methodology. The proposed ensemble method improves the average ETD performance on the stealthiest attacks from nearly 0 to 0.5 w.r.t. 5%-TPR.
• Abstract（参考訳）: エネルギー盗難は、支払いを減らすためにエネルギー消費の読書を操作することが特徴で、グリッドオペレーターに二重の脅威をもたらす金融損失をもたらし、スマートグリッドのパフォーマンスを損なう。 有効エネルギー盗難検知(ETD)法は, 早期の不正行為を特定することにより, これらのリスクを軽減する上で重要である。 しかし、現在のETD手法の大半は教師あり学習に依存しており、データのラベル付けが困難であり、既知の攻撃に過度に適合するリスクがある。 これらの課題に対処するために、正直なユーザから通常のパターン、特に入力の再構築を学ぶことに焦点を当てた、教師なしETD手法がいくつか提案されている。 しかし,本研究では,通常のパターンを呈するユーザにおいて,異常な動作を検出することしかできないため,教師なしETD手法の限界を明らかにした。 高ばらつきの振る舞いを持つユーザは、これらの方法に挑戦する。 本稿では,離散拡散確率モデル(ddpm)に基づくetd手法を提案する。 この革新的なアプローチは、エネルギー消費に相関した付加属性を組み込むことで、高分散のスマートグリッドデータ上でのETD性能を示す。 提案手法は,高分散スマートグリッドデータの平均etd性能を0.5から0.9 w.r.t. auc以上向上させる。 一方,本研究では,リコンストラクションエラーに基づく最先端のetd手法は,大部分のユーザに対してetd攻撃を識別できるが,特定のユーザに対する攻撃検出には有効ではないことを示す。 そこで本研究では,再構成誤差と予測誤差の両方を考慮した新しいアンサンブル手法を提案し,ETD手法の堅牢性を高める。 提案手法は,最もステルスな攻撃における平均etd性能を0から0.5 w.r.t. 5%-tprに向上させる。

関連論文リスト

• ETAGE: Enhanced Test Time Adaptation with Integrated Entropy and Gradient Norms for Robust Model Performance [18.055032898349438]
  テスト時間適応(TTA)は、トレーニング分布から逸脱した未確認のテストデータを扱うために、ディープラーニングモデルを備えている。 本稿では,エントロピー最小化と勾配ノルム,PLPDを統合した改良TTA手法ETAGEを紹介する。 提案手法は,高エントロピーと高勾配ノルムを適応から組み合わせることで,不安定を生じにくいサンプルを優先する。
  論文  参考訳（メタデータ） (2024-09-14T01:25:52Z)
• EvolBA: Evolutionary Boundary Attack under Hard-label Black Box condition [0.0]
  研究によると、ディープニューラルネットワーク(DNN)には、敵対的事例(AE)の誤認識につながる脆弱性がある。 本研究では, HL-BB条件下での共分散行列適応進化戦略 (CMA-ES) を用いて, AE を生成するための EvolBA という逆攻撃手法を提案する。
  論文  参考訳（メタデータ） (2024-07-02T13:12:52Z)
• A Conditioned Unsupervised Regression Framework Attuned to the Dynamic Nature of Data Streams [0.0]
  本稿では,制限付きラベル付きデータを用いたストリーミング環境の最適戦略を提案し,教師なし回帰のための適応手法を提案する。 提案手法は,初期ラベルのスパースセットを活用し,革新的なドリフト検出機構を導入する。 適応性を高めるために,Adaptive WINdowingアルゴリズムとRoot Mean Square Error (RMSE)に基づく誤り一般化アルゴリズムを統合する。
  論文  参考訳（メタデータ） (2023-12-12T19:23:54Z)
• PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly Detection [65.24854366973794]
  ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。 本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。 我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
  論文  参考訳（メタデータ） (2023-10-18T02:59:57Z)
• MSS-PAE: Saving Autoencoder-based Outlier Detection from Unexpected Reconstruction [25.60381244912307]
  オートエンコーダ(AE)は、固有の学習能力のため、機械学習タスクに一般的に使用される。 AEをベースとした手法は、異常判定と予期せぬ外乱の復元結果の問題に直面し、外乱検出(OD)の性能を制限している。 提案手法は、ODにおけるAEの発展を促進する可能性がある。
  論文  参考訳（メタデータ） (2023-04-03T04:01:29Z)
• Diffusion Denoising Process for Perceptron Bias in Out-of-distribution Detection [67.49587673594276]
  我々は、識別器モデルが入力の特定の特徴に対してより敏感であることを示唆する新しいパーセプトロンバイアスの仮定を導入し、過度な問題を引き起こした。 DMの拡散分解過程 (DDP) が非対称の新たな形態として機能し, 入力を高め, 過信問題を緩和するのに適していることを示す。 CIFAR10, CIFAR100, ImageNetによる実験により, 提案手法がSOTA手法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-11-21T08:45:08Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• Guided Diffusion Model for Adversarial Purification [103.4596751105955]
  敵攻撃は、様々なアルゴリズムやフレームワークでディープニューラルネットワーク(DNN)を妨害する。 本稿では,GDMP ( Guided diffusion model for purification) と呼ばれる新しい精製法を提案する。 様々なデータセットにわたる包括的実験において,提案したGDMPは,敵対的攻撃によって引き起こされた摂動を浅い範囲に減少させることを示した。
  論文  参考訳（メタデータ） (2022-05-30T10:11:15Z)
• Diminishing Empirical Risk Minimization for Unsupervised Anomaly Detection [0.0]
  経験的リスク最小化(ERM)は、未知の分布におけるアルゴリズムの性能を、既知のトレーニングセットにおける損失の平均化によって近似できると仮定する。 本稿では,EMMの限界を突破する新しいDimical Risk Minimization(DERM)フレームワークを提案する。 DERMは、よく設計された集約戦略を通じて個々の損失の影響を適応的に調整する。
  論文  参考訳（メタデータ） (2022-05-29T14:18:26Z)
• DEALIO: Data-Efficient Adversarial Learning for Imitation from Observation [57.358212277226315]
  観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。 近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。 この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。 よりデータ効率の高いifOアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-31T23:46:32Z)
• Adversarial Distributional Training for Robust Deep Learning [53.300984501078126]
  逆行訓練(AT)は、逆行例によるトレーニングデータを増やすことにより、モデルロバスト性を改善する最も効果的な手法の一つである。 既存のAT手法の多くは、敵の例を作らせるために特定の攻撃を採用しており、他の目に見えない攻撃に対する信頼性の低い堅牢性につながっている。 本稿では,ロバストモデル学習のための新しいフレームワークであるADTを紹介する。
  論文  参考訳（メタデータ） (2020-02-14T12:36:59Z)

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。