論文の概要: Digital Twin-based Anomaly Detection with Curriculum Learning in Cyber-physical Systems

• arxiv url: http://arxiv.org/abs/2309.15995v1
• Date: Wed, 27 Sep 2023 20:18:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-29 18:59:13.506761
• Title: Digital Twin-based Anomaly Detection with Curriculum Learning in Cyber-physical Systems
• Title（参考訳）: サイバー物理システムにおけるカリキュラム学習によるデジタル双生児異常検出
• Authors: Qinghua Xu, Shaukat Ali and Tao Yue
• Abstract要約: 異常検出は、サイバー物理システムのセキュリティを確保するために重要である。 我々は、DigitalaL twin-based Anomaly deTecTion wIth Curriculum lEarning (LATTICE)を提案する。 LATTICEは、学習パラダイムを最適化するためにカリキュラム学習を導入することでATTAINを拡張している。
• 参考スコア（独自算出の注目度）: 6.588691825328981
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection is critical to ensure the security of cyber-physical systems (CPS). However, due to the increasing complexity of attacks and CPS themselves, anomaly detection in CPS is becoming more and more challenging. In our previous work, we proposed a digital twin-based anomaly detection method, called ATTAIN, which takes advantage of both historical and real-time data of CPS. However, such data vary significantly in terms of difficulty. Therefore, similar to human learning processes, deep learning models (e.g., ATTAIN) can benefit from an easy-to-difficult curriculum. To this end, in this paper, we present a novel approach, named digitaL twin-based Anomaly deTecTion wIth Curriculum lEarning (LATTICE), which extends ATTAIN by introducing curriculum learning to optimize its learning paradigm. LATTICE attributes each sample with a difficulty score, before being fed into a training scheduler. The training scheduler samples batches of training data based on these difficulty scores such that learning from easy to difficult data can be performed. To evaluate LATTICE, we use five publicly available datasets collected from five real-world CPS testbeds. We compare LATTICE with ATTAIN and two other state-of-the-art anomaly detectors. Evaluation results show that LATTICE outperforms the three baselines and ATTAIN by 0.906%-2.367% in terms of the F1 score. LATTICE also, on average, reduces the training time of ATTAIN by 4.2% on the five datasets and is on par with the baselines in terms of detection delay time.
• Abstract（参考訳）: 異常検出はサイバー物理システム(CPS)のセキュリティを確保するために重要である。 しかし、攻撃とCPS自体の複雑さの増大により、CPSの異常検出はますます困難になりつつある。 本稿では,CPSの履歴データとリアルタイムデータの両方を活用する,ATTAINと呼ばれるディジタルツインベースの異常検出手法を提案する。 しかし、そのようなデータは困難さという点で大きく異なる。 したがって、人間の学習プロセスと同様に、深層学習モデル(例えばATTAIN)は、難易度の高いカリキュラムの恩恵を受けることができる。 そこで,本稿では,学習パラダイムを最適化するためにカリキュラム学習を導入することで達成されるカリキュラム学習(lattice)を用いた,デジタルツインに基づく異常検出手法を提案する。 LATTICEは、トレーニングスケジューラに入力する前に、各サンプルに障害スコアを割り当てる。 トレーニングスケジューラは、これらの難易度スコアに基づいてトレーニングデータのバッチをサンプリングし、容易から難易度データへの学習を行う。 LATTICEを評価するために、現実世界の5つのCPSテストベッドから収集された5つの公開データセットを使用します。 我々はLATTICEとATTAINや他の最先端の2つの異常検出装置を比較した。 評価の結果、格子は3つのベースラインを上回り、f1スコアの0.906%-2.367%に達した。 LATTICEはまた、平均して、5つのデータセットでATTAINのトレーニング時間を4.2%削減し、検出遅延時間に関してベースラインと同等である。

関連論文リスト

• Incremental Self-training for Semi-supervised Learning [56.57057576885672]
  ISTは単純だが有効であり、既存の自己学習に基づく半教師あり学習手法に適合する。 提案したISTを5つのデータセットと2種類のバックボーンで検証し,認識精度と学習速度を効果的に向上させる。
  論文  参考訳（メタデータ） (2024-04-14T05:02:00Z)
• Semi-Supervised End-To-End Contrastive Learning For Time Series Classification [10.635321868623883]
  時系列分類は、金融、医療、センサーデータ分析など、さまざまな分野において重要な課題である。 SLOTS(Semi-supervised Learning fOr Time clasSification)と呼ばれるエンドツーエンドモデルを提案する。
  論文  参考訳（メタデータ） (2023-10-13T04:22:21Z)
• Outlier Robust Adversarial Training [57.06824365801612]
  本研究では,アウトリー・ロバスト・アドバイザリアル・トレーニング(ORAT)を紹介する。 ORATは、強靭なランクに基づく損失関数を持つ対向訓練の2レベル最適化の定式化に基づいている。 ORATの学習目的はバイナリ分類における$mathcalH$-consistencyを満たすことが示され、これは敵の0/1損失に対する適切なサロゲートとして確立されている。
  論文  参考訳（メタデータ） (2023-09-10T21:36:38Z)
• Leveraging Unlabelled Data in Multiple-Instance Learning Problems for Improved Detection of Parkinsonian Tremor in Free-Living Conditions [80.88681952022479]
  本稿では,半教師付き学習とマルチスタンス学習を組み合わせた新しい手法を提案する。 本研究は,454被験者の非競合データを活用することにより,物体ごとの震動検出において大きな性能向上が達成できることを示す。
  論文  参考訳（メタデータ） (2023-04-29T12:25:10Z)
• Semi-Supervised Relational Contrastive Learning [8.5285439285139]
  本稿では,自己教師付きコントラスト損失と一貫性を利用した半教師付き学習モデルを提案する。 我々は,ISIC 2018 Challengeベンチマークの皮膚病変分類を検証し,各種ラベル付きデータに対する本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2023-04-11T08:14:30Z)
• PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
  本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。 我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-01-25T16:34:43Z)
• Similarity Learning based Few Shot Learning for ECG Time Series Classification [1.4665304971699262]
  本稿では,シームズ畳み込みニューラルネットワークを用いたECG不整脈分類のための類似学習に基づくFew Shot Learningを提案する。 ほとんどショットラーニングは、まず、関連する比較的大きなデータベース上でモデルを事前訓練することに依存し、次に学習を使用して、クラス毎に利用可能な少数のサンプルにさらなる適応を行う。
  論文  参考訳（メタデータ） (2022-01-31T09:47:15Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)

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。