論文の概要: ADT: Agent-based Dynamic Thresholding for Anomaly Detection

• arxiv url: http://arxiv.org/abs/2312.01488v1
• Date: Sun, 3 Dec 2023 19:07:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-05 17:08:16.657674
• Title: ADT: Agent-based Dynamic Thresholding for Anomaly Detection
• Title（参考訳）: ADT:異常検出のためのエージェントベースの動的閾値
• Authors: Xue Yang, Enda Howley, Micheal Schukat
• Abstract要約: 本稿では,エージェントベースの動的しきい値処理(ADT)フレームワークを提案する。 本研究では,自動エンコーダを用いて特徴表現を取得し,複雑な入力データに対する異常スコアを生成する。 ADTはオートエンコーダの異常スコアを利用して閾値を適応的に調整することができる。
• 参考スコア（独自算出の注目度）: 4.356615197661274
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The complexity and scale of IT systems are increasing dramatically, posing many challenges to real-world anomaly detection. Deep learning anomaly detection has emerged, aiming at feature learning and anomaly scoring, which has gained tremendous success. However, little work has been done on the thresholding problem despite it being a critical factor for the effectiveness of anomaly detection. In this paper, we model thresholding in anomaly detection as a Markov Decision Process and propose an agent-based dynamic thresholding (ADT) framework based on a deep Q-network. The proposed method can be integrated into many systems that require dynamic thresholding. An auto-encoder is utilized in this study to obtain feature representations and produce anomaly scores for complex input data. ADT can adjust thresholds adaptively by utilizing the anomaly scores from the auto-encoder and significantly improve anomaly detection performance. The properties of ADT are studied through experiments on three real-world datasets and compared with benchmarks, hence demonstrating its thresholding capability, data-efficient learning, stability, and robustness. Our study validates the effectiveness of reinforcement learning in optimal thresholding control in anomaly detection.
• Abstract（参考訳）: ITシステムの複雑さと規模は劇的に増加しており、現実の異常検出には多くの課題があります。 機能学習と異常スコアを目指して、ディープラーニング異常検出が登場し、大きな成功を収めた。 しかし, 異常検出の有効性に重要な要因であるにもかかわらず, しきい値問題に関する研究はほとんど行われていない。 本稿では,マルコフ決定過程として異常検出におけるしきい値のモデル化を行い,深層Qネットワークに基づくエージェントベース動的しきい値(ADT)フレームワークを提案する。 提案手法は動的しきい値を必要とする多くのシステムに統合できる。 本研究では,自動エンコーダを用いて特徴表現を取得し,複雑な入力データに対する異常スコアを生成する。 adtはオートエンコーダからの異常スコアを利用してしきい値を適応的に調整でき、異常検出性能が大幅に向上する。 adtの特性は、3つの実世界のデータセットで実験を行い、ベンチマークと比較し、しきい値化能力、データ効率のよい学習、安定性、堅牢性を示す。 異常検出における最適しきい値制御における強化学習の有効性を検証する。

関連論文リスト

• Self-Supervised Time-Series Anomaly Detection Using Learnable Data Augmentation [37.72735288760648]
  本稿では,学習可能なデータ拡張に基づく時系列異常検出(LATAD)手法を提案する。 LATADは、比較学習を通じて時系列データから識別的特徴を抽出する。 その結果、LATADは最先端の異常検出評価に匹敵する、あるいは改善された性能を示した。
  論文  参考訳（メタデータ） (2024-06-18T04:25:56Z)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• Active anomaly detection based on deep one-class classification [9.904380236739398]
  我々は,Deep SVDDにおけるアクティブラーニングの2つの重要な課題,すなわちクエリ戦略と半教師付きラーニング手法に対処する。 まず、単に異常を識別するのではなく、適応境界に従って不確実なサンプルを選択する。 第2に、ラベル付き正規データと異常データの両方を効果的に組み込むために、一級分類モデルの訓練にノイズコントラスト推定を適用した。
  論文  参考訳（メタデータ） (2023-09-18T03:56:45Z)
• DSV: An Alignment Validation Loss for Self-supervised Outlier Model Selection [23.253175824487652]
  自己教師付き学習(SSL)は、内部の監視信号を生成することで様々な問題を解決するのに有効であることが証明されている。 真のラベルを取得するための高いコストに直面している教師なしの異常検出は、SSLの大きな恩恵を受けることができる領域である。 DSV(Discordance and Separability Validation)は,有効拡張HPを用いた高性能検出モデルを選択するための教師なし検証損失である。
  論文  参考訳（メタデータ） (2023-07-13T02:45:29Z)
• 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)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• Robust Anomaly Detection for Time-series Data [8.206500786061406]
  この研究は、負の選択の強み、未保持の繰り返しプロット、および極端な学習機械オートエンコーダを組み合わせた。 時系列データ(RADTD)のロバストな異常検出を提案し、時系列で動的特徴を自動的に学習する。 実験により、RADTDは繰り返し資格解析や極端な学習機械オートエンコーダよりも精度と堅牢性が高いことが示された。
  論文  参考訳（メタデータ） (2022-02-06T07:09:57Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
  SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。 ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2021-03-08T10:56:38Z)
• 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)
• Out-Of-Bag Anomaly Detection [0.9449650062296822]
  データ異常は、実世界のデータセットでユビキタスであり、機械学習(ML)システムに悪影響を及ぼす可能性がある。 本稿では,新しいモデルに基づく異常検出手法を提案し,その手法をアウト・オブ・バグ検出と呼ぶ。 本手法は,家庭評価のケーススタディを通じて,データ前処理のステップとして,MLシステムの精度と信頼性を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-09-20T06:01:52Z)

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。