Fugu-MT 論文翻訳(概要): Anomaly Detection in Global Financial Markets with Graph Neural Networks and Nonextensive Entropy

論文の概要: Anomaly Detection in Global Financial Markets with Graph Neural Networks and Nonextensive Entropy

arxiv url: http://arxiv.org/abs/2308.02914v2
Date: Wed, 9 Aug 2023 02:47:17 GMT
ステータス: 処理完了
システム内更新日: 2023-08-10 10:50:54.939886
Title: Anomaly Detection in Global Financial Markets with Graph Neural Networks and Nonextensive Entropy
Title（参考訳）: グラフニューラルネットワークとnonextensive entropyを用いたグローバル金融市場の異常検出
Authors: Kleyton da Costa
Abstract要約: 本研究では,グラフニューラルネットワーク(GNN)を用いたグローバル金融市場の異常検出能力について検討した。主な知見は、高度に相関した資産の複雑な構造が危機において減少し、危機前・中・後といった非集中的なエントロピーパラメータに対して、異常の数は統計的に異なることを示している。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Anomaly detection is a challenging task, particularly in systems with many variables. Anomalies are outliers that statistically differ from the analyzed data and can arise from rare events, malfunctions, or system misuse. This study investigated the ability to detect anomalies in global financial markets through Graph Neural Networks (GNN) considering an uncertainty scenario measured by a nonextensive entropy. The main findings show that the complex structure of highly correlated assets decreases in a crisis, and the number of anomalies is statistically different for nonextensive entropy parameters considering before, during, and after crisis.
Abstract（参考訳）: 異常検出は、特に多くの変数を持つシステムにおいて、難しい課題である。異常は分析データと統計的に異なる傾向にあり、まれな事象、故障、システム誤用から生じる可能性がある。本研究では,非集中エントロピーによる不確実性を考慮したグラフニューラルネットワーク(GNN)を用いて,グローバル金融市場の異常を検出する能力について検討した。その結果,危機前後における高度に相関する資産の複雑構造は減少し,危機前後の非隣り合わせエントロピーパラメータでは統計的に異常数が異なることがわかった。

関連論文リスト

AnoGAN for Tabular Data: A Novel Approach to Anomaly Detection [1.5039745292757671]
本研究は, 異常検出, 課題探索, 厳密な悪意ある活動に適応する複雑性に対処する。コントリビューションには、AnoGANの原則を新しいドメインに適用することや、これまで検出できなかった異常を検出するための有望な進歩が含まれている。
論文参考訳（メタデータ） (2024-05-05T22:54:43Z)
SAD: Semi-Supervised Anomaly Detection on Dynamic Graphs [11.819993729810257]
異常検出は、良性例の大多数と大きく異なる異常例を区別することを目的としている。グラフニューラルネットワークは、異常検出問題に取り組むことで、ますます人気が高まっている。動的グラフ上での異常検出のためのエンドツーエンドフレームワークである半教師付き異常検出(SAD)を提案する。
論文参考訳（メタデータ） (2023-05-23T01:05:34Z)
MetaGAD: Meta Representation Adaptation for Few-Shot Graph Anomaly Detection [31.218962952724624]
少数ショットグラフ異常検出の重要な問題について検討する。本稿では,自己指導学習から少数ショット指導学習へ知識を適応させるメタGADを提案する。具体的には、二段階最適化として問題を定式化し、MetaGADの収束を保証し、検証損失を最小限に抑える。
論文参考訳（メタデータ） (2023-05-18T03:04:51Z)
Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。 PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
論文参考訳（メタデータ） (2022-12-05T05:03:46Z)
ARISE: Graph Anomaly Detection on Attributed Networks via Substructure Awareness [70.60721571429784]
サブ構造認識(ARISE)による属性付きネットワーク上の新しいグラフ異常検出フレームワークを提案する。 ARISEは、異常を識別するグラフのサブ構造に焦点を当てている。実験により、ARISEは最先端の属性付きネットワーク異常検出(ANAD)アルゴリズムと比較して、検出性能が大幅に向上することが示された。
論文参考訳（メタデータ） (2022-11-28T12:17:40Z)
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)
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)
A Survey on Anomaly Detection for Technical Systems using LSTM Networks [0.0]
異常は、意図されたシステムの動作から逸脱し、部分的または完全なシステム障害と同様に効率が低下する可能性がある。本稿では,ディープニューラルネットワーク,特に長期記憶ネットワークを用いた最先端異常検出に関する調査を行う。調査したアプローチは、アプリケーションシナリオ、データ、異常タイプ、およびさらなるメトリクスに基づいて評価される。
論文参考訳（メタデータ） (2021-05-28T13:24:40Z)
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)
Multi-Scale One-Class Recurrent Neural Networks for Discrete Event Sequence Anomaly Detection [63.825781848587376]
本稿では,離散イベントシーケンス中の異常を検出する1クラスリカレントニューラルネットワークOC4Seqを提案する。具体的には、OC4Seqは離散イベントシーケンスを遅延空間に埋め込み、異常を容易に検出することができる。
論文参考訳（メタデータ） (2020-08-31T04:48:22Z)

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。