論文の概要: A Hierarchical Framework with Spatio-Temporal Consistency Learning for
Emergence Detection in Complex Adaptive Systems
- arxiv url: http://arxiv.org/abs/2401.10300v1
- Date: Thu, 18 Jan 2024 08:55:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-22 17:52:53.310583
- Title: A Hierarchical Framework with Spatio-Temporal Consistency Learning for
Emergence Detection in Complex Adaptive Systems
- Title(参考訳): 複素適応系における創発検出のための時空間整合学習を用いた階層型フレームワーク
- Authors: Siyuan Chen, Xin Du, Jiahai Wang
- Abstract要約: 創発性(英: Emergence)は、対話エージェントによって構成される複雑な適応システムのグローバルな性質である。
本稿では,これら2つの課題を解決するために,CAS時間一貫性学習を用いた階層型フレームワークを提案する。
本手法は,従来の手法や深層学習法よりも高精度な検出を実現する。
- 参考スコア(独自算出の注目度): 46.142041431522415
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Emergence, a global property of complex adaptive systems (CASs) constituted
by interactive agents, is prevalent in real-world dynamic systems, e.g.,
network-level traffic congestions. Detecting its formation and evaporation
helps to monitor the state of a system, allowing to issue a warning signal for
harmful emergent phenomena. Since there is no centralized controller of CAS,
detecting emergence based on each agent's local observation is desirable but
challenging. Existing works are unable to capture emergence-related spatial
patterns, and fail to model the nonlinear relationships among agents. This
paper proposes a hierarchical framework with spatio-temporal consistency
learning to solve these two problems by learning the system representation and
agent representations, respectively. Especially, spatio-temporal encoders are
tailored to capture agents' nonlinear relationships and the system's complex
evolution. Representations of the agents and the system are learned by
preserving the intrinsic spatio-temporal consistency in a self-supervised
manner. Our method achieves more accurate detection than traditional methods
and deep learning methods on three datasets with well-known yet hard-to-detect
emergent behaviors. Notably, our hierarchical framework is generic, which can
employ other deep learning methods for agent-level and system-level detection.
- Abstract(参考訳): インタラクティブエージェントによって構成される複雑な適応システム(CAS)のグローバルな特性である創発は、例えばネットワークレベルのトラフィック混雑など、現実世界の動的システムで広く利用されている。
その形成と蒸発を検出することは、システムの状態をモニターし、有害な緊急事象の警告信号を発行するのに役立つ。
CASの集中制御器がないため、各エージェントの局部観測に基づいて出現を検出することは望ましいが困難である。
既存の作品は出現に関連する空間パターンを捉えることができず、エージェント間の非線形関係をモデル化できない。
本稿では,システム表現とエージェント表現を学習することで,これら2つの問題を解決するために,時空間整合性学習を用いた階層型フレームワークを提案する。
特に時空間エンコーダはエージェントの非線形関係とシステムの複雑な進化を捉えるように調整されている。
エージェントとシステムの表現は、固有の時空間一貫性を自己管理的に保持することにより学習される。
本手法は, 3つのデータセットにおける従来手法や深層学習法よりも高精度な検出を実現する。
特に,我々の階層型フレームワークは汎用的であり,エージェントレベルおよびシステムレベルの検出に他のディープラーニング手法を用いることができる。
関連論文リスト
- Spatial-temporal Memories Enhanced Graph Autoencoder for Anomaly Detection in Dynamic Graphs [52.956235109354175]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。
空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。
STRIPEは、動的グラフの異なる空間的・時間的ダイナミクスを効果的に活用することにより、異常を識別する優れた能力を示した。
論文 参考訳(メタデータ) (2024-03-14T02:26:10Z) - Learning Collective Behaviors from Observation [15.687086711043532]
本稿では,力学系の構造的同定に使用される学習手法を総合的に検討する。
提案手法は,理論収束を保証するだけでなく,高次元観測データを扱う際の計算効率も保証する。
論文 参考訳(メタデータ) (2023-11-01T22:02:08Z) - Interactive System-wise Anomaly Detection [66.3766756452743]
異常検出は様々なアプリケーションにおいて基本的な役割を果たす。
既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。
システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
論文 参考訳(メタデータ) (2023-04-21T02:20:24Z) - Safe Multi-agent Learning via Trapping Regions [89.24858306636816]
我々は、動的システムの定性理論から知られているトラップ領域の概念を適用し、分散学習のための共同戦略空間に安全セットを作成する。
本稿では,既知の学習力学を持つシステムにおいて,候補がトラップ領域を形成することを検証するための二分分割アルゴリズムと,学習力学が未知のシナリオに対するサンプリングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-02-27T14:47:52Z) - CNTS: Cooperative Network for Time Series [7.356583983200323]
本稿では,協調ネットワーク時系列法(Cooperative Network Time Series approach)と呼ばれる,教師なし異常検出のための新しい手法を提案する。
CNTSの中心的な側面は多目的最適化の問題であり、協調的な解法戦略によって解決される。
実世界の3つのデータセットの実験は、CNTSの最先端性能を示し、検出器と再構成器の協調的有効性を確認する。
論文 参考訳(メタデータ) (2023-02-20T06:55:10Z) - A Hierarchical Approach to Conditional Random Fields for System Anomaly
Detection [0.8164433158925593]
大規模システムにおける異常事象を認識する異常検出は多くの産業において重要である。
階層的なアプローチは、複雑なシステムと局所的な文脈における暗黙の関係を利用する。
論文 参考訳(メタデータ) (2022-10-26T21:02:47Z) - Weakly-supervised Joint Anomaly Detection and Classification [11.37307883423629]
異常行為は、現実世界の監視システムにおける人命と財産の喪失を防ぐための即時行動を必要とする。
監視システムの最近の自動化は異常を検出することができるが、異常を分類するためには人間の努力が必要である。
本稿では,弱い教師付き学習パラダイムを採用することにより,単一フレームワークにおける異常検出と分類を共同で処理する手法を提案する。
論文 参考訳(メタデータ) (2021-08-20T04:31:07Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳(メタデータ) (2021-02-27T03:17:20Z) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳(メタデータ) (2020-10-29T08:27:43Z)
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。