論文の概要: METER: A Dynamic Concept Adaptation Framework for Online Anomaly
Detection
- arxiv url: http://arxiv.org/abs/2312.16831v1
- Date: Thu, 28 Dec 2023 05:09:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-29 17:16:12.053691
- Title: METER: A Dynamic Concept Adaptation Framework for Online Anomaly
Detection
- Title(参考訳): METER:オンライン異常検出のための動的概念適応フレームワーク
- Authors: Jiaqi Zhu, Shaofeng Cai, Fang Deng, Beng Chin Ooi, Wenqiao Zhang
- Abstract要約: リアルタイム分析と意思決定は、データストリームのドリフトを効率的かつ効果的に処理するために、オンラインの異常検出を必要とする。
既存のアプローチは、検出能力の制限と、進化するデータストリームへの適応の遅さによって制約されることが多い。
我々は,OADの新しいパラダイムを導入した新しい動的概念適応フレームワークであるMETERを紹介する。
- 参考スコア(独自算出の注目度): 25.022228143354123
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-time analytics and decision-making require online anomaly detection
(OAD) to handle drifts in data streams efficiently and effectively.
Unfortunately, existing approaches are often constrained by their limited
detection capacity and slow adaptation to evolving data streams, inhibiting
their efficacy and efficiency in handling concept drift, which is a major
challenge in evolving data streams. In this paper, we introduce METER, a novel
dynamic concept adaptation framework that introduces a new paradigm for OAD.
METER addresses concept drift by first training a base detection model on
historical data to capture recurring central concepts, and then learning to
dynamically adapt to new concepts in data streams upon detecting concept drift.
Particularly, METER employs a novel dynamic concept adaptation technique that
leverages a hypernetwork to dynamically generate the parameter shift of the
base detection model, providing a more effective and efficient solution than
conventional retraining or fine-tuning approaches. Further, METER incorporates
a lightweight drift detection controller, underpinned by evidential deep
learning, to support robust and interpretable concept drift detection. We
conduct an extensive experimental evaluation, and the results show that METER
significantly outperforms existing OAD approaches in various application
scenarios.
- Abstract(参考訳): リアルタイム分析と意思決定は、データストリームのドリフトを効率的かつ効率的に処理するために、オンライン異常検出(OAD)を必要とする。
残念なことに、既存のアプローチでは、検出能力の制限やデータストリームの進化への順応の遅さ、コンセプトドリフト処理の有効性と効率性の抑制など、データストリームの発展において大きな課題となっていることが多い。
本稿では,OADの新しいパラダイムを導入した新しい動的概念適応フレームワークであるMETERを紹介する。
メータは概念ドリフトに対処するため、まず履歴データに基づくベース検出モデルをトレーニングし、反復する中心となる概念をキャプチャし、その後、概念ドリフトの検出時にデータストリームの新しい概念に動的に適応するように学習する。
特にMETERは、ハイパーネットワークを利用してベース検出モデルのパラメータシフトを動的に生成し、従来のリトレーニングや微調整よりも効率的で効率的なソリューションを提供する新しい動的概念適応技術を採用している。
さらにMETERは、明快な深層学習を基盤とする軽量なドリフト検出コントローラを導入し、堅牢で解釈可能なコンセプトドリフト検出をサポートする。
我々は広範囲な実験的評価を行い、METERは様々なアプリケーションシナリオにおいて既存のOADアプローチを大幅に上回っていることを示す。
関連論文リスト
- MORPH: Towards Automated Concept Drift Adaptation for Malware Detection [0.7499722271664147]
コンセプトドリフトはマルウェア検出にとって重要な課題である。
自己学習は、コンセプトドリフトを緩和するための有望なアプローチとして現れています。
擬似ラベルに基づく効果的なドリフト適応法であるMORPHを提案する。
論文 参考訳(メタデータ) (2024-01-23T14:25:43Z) - MOTO: Offline Pre-training to Online Fine-tuning for Model-based Robot
Learning [52.101643259906915]
本研究では,高次元観測による強化学習におけるオフライン事前学習とオンラインファインチューニングの問題について検討する。
既存のモデルベースオフラインRL法は高次元領域におけるオフラインからオンラインへの微調整には適していない。
本稿では,事前データをモデルベース値拡張とポリシー正則化によって効率的に再利用できるオンラインモデルベース手法を提案する。
論文 参考訳(メタデータ) (2024-01-06T21:04:31Z) - An Online, Adaptive and Unsupervised Regression Framework with Drift
Detection for Label Scarcity Contexts [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。
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。
ラベルをリアルタイムで取得することが重要な課題であるタスクに対して,適応回帰手法の優れた効果を実証する。
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) - ViDA: Homeostatic Visual Domain Adapter for Continual Test Time
Adaptation [49.84571101331491]
目標ドメインの継続的な変更に事前訓練されたモデルを適用するために、CTTAタスクを提案する。
我々はCTTAのためのビジュアルドメインアダプタ(ViDA)を提案し、ドメイン固有知識とドメイン共有知識の両方を明示的に扱う。
提案手法は,CTTAタスクの分類とセグメント化の両方において,最先端の性能を実現する。
論文 参考訳(メタデータ) (2023-06-07T11:18:53Z) - Predictive Experience Replay for Continual Visual Control and
Forecasting [62.06183102362871]
視覚力学モデリングのための新しい連続学習手法を提案し,その視覚制御と予測における有効性について検討する。
まず,タスク固有のダイナミクスをガウスの混合で学習する混合世界モデルを提案し,その上で,破滅的な忘れを克服するための新たなトレーニング戦略を提案する。
我々のモデルは,DeepMind Control と Meta-World のベンチマークにおいて,既存の連続的学習アルゴリズムと視覚的RLアルゴリズムの単純な組み合わせよりも優れている。
論文 参考訳(メタデータ) (2023-03-12T05:08:03Z) - Age of Semantics in Cooperative Communications: To Expedite Simulation
Towards Real via Offline Reinforcement Learning [53.18060442931179]
協調リレー通信システムにおける状態更新のセマンティックス更新度を測定するための意味学年代(AoS)を提案する。
オンライン・ディープ・アクター・クリティック(DAC)学習手法を,政治時間差学習の枠組みに基づいて提案する。
そこで我々は,以前に収集したデータセットから最適制御ポリシーを推定する,新しいオフラインDAC方式を提案する。
論文 参考訳(メタデータ) (2022-09-19T11:55:28Z) - Real-time Object Detection for Streaming Perception [84.2559631820007]
ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。
ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。
提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
論文 参考訳(メタデータ) (2022-03-23T11:33:27Z) - Autoregressive based Drift Detection Method [0.0]
我々はADDMと呼ばれる自己回帰モデルに基づく新しい概念ドリフト検出手法を提案する。
以上の結果から,新しいドリフト検出法は最先端ドリフト検出法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2022-03-09T14:36:16Z) - Automatic Learning to Detect Concept Drift [40.69280758487987]
誤り率の変化パターンを追跡し,コンセプトドリフトの分類を学習する新しいフレームワークであるMeta-ADDを提案する。
具体的には、トレーニングフェーズにおいて、様々なコンセプトドリフトの誤差率に基づいてメタ特徴を抽出し、その後、原型ニューラルネットワークを介してメタ検出装置を開発する。
検出フェーズでは、学習したメタ検出器が微調整され、ストリームベースのアクティブラーニングを介して対応するデータストリームに適応する。
論文 参考訳(メタデータ) (2021-05-04T11:10:39Z) - Learning Parameter Distributions to Detect Concept Drift in Data Streams [13.20231558027132]
実コンセプトドリフト検出のための新しいフレームワークであるERICSを提案する。
予測モデルのパラメータをランダム変数として扱うことにより、最適パラメータの分布の変化に対応する概念ドリフトが示される。
ERICSはまた、既存のアプローチよりも大きな利点である入力レベルで概念ドリフトを検出することができる。
論文 参考訳(メタデータ) (2020-10-19T11:19:16Z)
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。