論文の概要: Weakly Supervised Anomaly Detection via Knowledge-Data Alignment
- arxiv url: http://arxiv.org/abs/2402.03785v1
- Date: Tue, 6 Feb 2024 07:57:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-07 15:56:19.378395
- Title: Weakly Supervised Anomaly Detection via Knowledge-Data Alignment
- Title（参考訳）: 知識データアライメントによる弱教師付き異常検出
- Authors: Haihong Zhao, Chenyi Zi, Yang Liu, Chen Zhang, Yan Zhou and Jia Li
- Abstract要約: マルウェア検出、マネーロンダリング、デバイス障害検出、ネットワーク障害解析など、多数のWebベースのアプリケーションにおいて、異常検出が重要な役割を果たす。
Weakly Supervised Anomaly Detection (WSAD) が導入された。
本稿では,ルール知識を統合するための知識データアライメント(KDAlign)について紹介する。
- 参考スコア（独自算出の注目度）: 24.125871437370357
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomaly detection (AD) plays a pivotal role in numerous web-based
applications, including malware detection, anti-money laundering, device
failure detection, and network fault analysis. Most methods, which rely on
unsupervised learning, are hard to reach satisfactory detection accuracy due to
the lack of labels. Weakly Supervised Anomaly Detection (WSAD) has been
introduced with a limited number of labeled anomaly samples to enhance model
performance. Nevertheless, it is still challenging for models, trained on an
inadequate amount of labeled data, to generalize to unseen anomalies. In this
paper, we introduce a novel framework Knowledge-Data Alignment (KDAlign) to
integrate rule knowledge, typically summarized by human experts, to supplement
the limited labeled data. Specifically, we transpose these rules into the
knowledge space and subsequently recast the incorporation of knowledge as the
alignment of knowledge and data. To facilitate this alignment, we employ the
Optimal Transport (OT) technique. We then incorporate the OT distance as an
additional loss term to the original objective function of WSAD methodologies.
Comprehensive experimental results on five real-world datasets demonstrate that
our proposed KDAlign framework markedly surpasses its state-of-the-art
counterparts, achieving superior performance across various anomaly types.
- Abstract（参考訳）: マルウェア検出、マネーロンダリング、デバイス障害検出、ネットワーク障害解析など、多数のWebベースのアプリケーションにおいて、異常検出(AD)が重要な役割を果たす。
教師なし学習に依存するほとんどの手法は、ラベルの欠如により、十分な検出精度に達することが困難である。
弱教師付き異常検出(weakly supervised anomaly detection, wsad)は、限られた数のラベル付き異常検出によって、モデルの性能を向上させるために導入された。
それでも、不適切なラベル付きデータに基づいてトレーニングされたモデルが、目に見えない異常に一般化することは依然として困難である。
本稿では、人間の専門家が一般的に要約したルール知識を統合し、限定されたラベル付きデータを補完する、新しい枠組みであるkdalign(知識データアライメント)を提案する。
具体的には、これらのルールを知識空間に変換し、知識とデータのアライメントとして知識の組み入れを再キャストする。
このアライメントを容易にするために、最適輸送(OT)技術を用いる。
次に, OT 距離を WSAD 手法の本来の目的関数に付加的な損失項として組み込む。
5つの実世界のデータセットに対する総合的な実験結果から、提案したKDAlignフレームワークが最先端のフレームワークを著しく上回り、様々な異常なタイプで優れたパフォーマンスを実現していることが示された。
関連論文リスト
- Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [88.34095233600719]
FAPromptは、より正確なZSADのためにきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。
画像レベルおよび画素レベルのZSADタスクにおいて、最先端の手法を少なくとも3%-5%のAUC/APで大幅に上回っている。
論文 参考訳（メタデータ） (2024-10-14T08:41:31Z) - MeLIAD: Interpretable Few-Shot Anomaly Detection with Metric Learning and Entropy-based Scoring [2.394081903745099]
本稿では,新たな異常検出手法であるMeLIADを提案する。
MeLIADはメートル法学習に基づいており、真の異常の事前分布仮定に頼ることなく、設計による解釈可能性を達成する。
解釈可能性の定量的かつ定性的な評価を含む5つの公開ベンチマークデータセットの実験は、MeLIADが異常検出とローカライゼーション性能の改善を達成することを実証している。
論文 参考訳（メタデータ） (2024-09-20T16:01:43Z) - A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。
このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。
我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文 参考訳（メタデータ） (2024-06-05T13:40:07Z) - ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。
ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。
各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
論文 参考訳（メタデータ） (2024-05-27T02:42:33Z) - Unsupervised Anomaly Detection via Nonlinear Manifold Learning [0.0]
異常は、残りのデータから著しく逸脱するサンプルであり、その検出は機械学習モデルを構築する上で大きな役割を果たす。
非線形多様体学習に基づく頑健で効率的かつ解釈可能な手法を導入し,教師なし設定における異常を検出する。
論文 参考訳（メタデータ） (2023-06-15T18:48:10Z) - Weakly Supervised Anomaly Detection: A Survey [75.26180038443462]
異常検出(AD)は、さまざまなアプリケーションによる機械学習において重要なタスクである。
弱教師付き異常検出法(WSAD)の総合的な調査を行った。
各設定に対して、正式な定義、鍵アルゴリズム、潜在的な将来の方向性を提供する。
論文 参考訳（メタデータ） (2023-02-09T10:27:21Z) - Deep Anomaly Detection and Search via Reinforcement Learning [22.005663849044772]
本研究では,エクスプロイトと探索のバランスをとるために,DADS(Deep Anomaly Detection and Search)を提案する。
トレーニングプロセス中、DADSは階層的なデータセットを持つ可能性のある異常を検索する。
その結果,DADSはラベルのないデータから異常を効率よく正確に検索し,そこから学習できることがわかった。
論文 参考訳（メタデータ） (2022-08-31T13:03:33Z) - Data-Efficient and Interpretable Tabular Anomaly Detection [54.15249463477813]
本稿では,ホワイトボックスモデルクラスである一般化付加モデルを適用し,異常を検出する新しいフレームワークを提案する。
さらに、提案フレームワークであるDIADは、ラベル付きデータの少量を組み込んで、半教師付き設定における異常検出性能をさらに向上させることができる。
論文 参考訳（メタデータ） (2022-03-03T22:02:56Z) - Enhancing Unsupervised Anomaly Detection with Score-Guided Network [13.127091975959358]
異常検出は、医療や金融システムなど、さまざまな現実世界のアプリケーションにおいて重要な役割を担っている。
正規データと異常データの間の異常スコアの差を学習・拡大するために,スコア誘導正規化を用いた新しいスコアネットワークを提案する。
次に,スコア誘導型オートエンコーダ(SG-AE)を提案する。
論文 参考訳（メタデータ） (2021-09-10T06:14:53Z) - 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) - Anomaly Detection by Recombining Gated Unsupervised Experts [0.0]
本稿では,ARGUEと呼ばれる新しいデータ駆動型異常検出手法を提案する。
本手法は, 教師なし環境や半教師付き環境に適用できるだけでなく, 自己教師付き環境の事前知識から利益を得ることができる。
論文 参考訳（メタデータ） (2020-08-31T17:35:57Z)
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。