Fugu-MT 論文翻訳(概要): Anomaly Detection in Graph Structured Data: A Survey

論文の概要: Anomaly Detection in Graph Structured Data: A Survey

arxiv url: http://arxiv.org/abs/2405.06172v1
Date: Fri, 10 May 2024 01:30:25 GMT
ステータス: 処理完了
システム内更新日: 2024-05-13 16:57:10.605539
Title: Anomaly Detection in Graph Structured Data: A Survey
Title（参考訳）: グラフ構造データの異常検出:サーベイ
Authors: Prabin B Lamichhane, William Eberle,
Abstract要約: 本稿では,グラフデータにおける異常検出手法の概要を概観する。本稿では,最先端の異常検出手法を分類する新しい分類法を提案する。
参考スコア（独自算出の注目度）: 0.46040036610482665
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Real-world graphs are complex to process for performing effective analysis, such as anomaly detection. However, recently, there have been several research efforts addressing the issues surrounding graph-based anomaly detection. In this paper, we discuss a comprehensive overview of anomaly detection techniques on graph data. We also discuss the various application domains which use those anomaly detection techniques. We present a new taxonomy that categorizes the different state-of-the-art anomaly detection methods based on assumptions and techniques. Within each category, we discuss the fundamental research ideas that have been done to improve anomaly detection. We further discuss the advantages and disadvantages of current anomaly detection techniques. Finally, we present potential future research directions in anomaly detection on graph-structured data.
Abstract（参考訳）: 実世界のグラフは、異常検出などの効果的な分析を行うための処理が複雑である。しかし、近年、グラフベースの異常検出に関わる問題に対処する研究がいくつか行われている。本稿では,グラフデータにおける異常検出手法の包括的概要について論じる。また、これらの異常検出技術を利用する様々なアプリケーションドメインについても論じる。そこで本研究では,仮定と手法に基づいて,最先端の異常検出手法を分類した新しい分類法を提案する。各カテゴリにおいて、異常検出を改善するために行われた基礎研究の考え方について論じる。さらに、現在の異常検出技術の利点と欠点について論じる。最後に,グラフ構造データの異常検出における今後の研究の方向性を示す。

関連論文リスト

Progressing from Anomaly Detection to Automated Log Labeling and Pioneering Root Cause Analysis [53.24804865821692]
本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
論文参考訳（メタデータ） (2023-12-22T15:04:20Z)
GRAM: An Interpretable Approach for Graph Anomaly Detection using Gradient Attention Maps [26.011499804523808]
本稿では,性能向上のための解釈可能性の力を活用したグラフ異常検出手法を提案する。本手法は, グラフニューラルネットワークの勾配から抽出したアテンションマップを抽出し, 異常評価の基礎となる。実世界のグラフ分類と無線ネットワークデータセットにおける最先端グラフ異常検出技術に対する我々のアプローチを広く評価する。
論文参考訳（メタデータ） (2023-11-10T16:14:21Z)
Explainable Anomaly Detection in Images and Videos: A Survey [49.07140708026425]
画像やビデオを含む視覚データの異常検出とローカライゼーションは、機械学習のアカデミックと実世界のシナリオの適用において非常に重要である。近年の視覚異常検出技術の急速な発展にもかかわらず、これらのブラックボックスモデルの解釈や、なぜ異常を区別できるのかの合理的な説明は乏しい。本稿では,説明可能な視覚異常検出法に焦点をあてた最初の調査を行う。
論文参考訳（メタデータ） (2023-02-13T20:17:41Z)
Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
論文参考訳（メタデータ） (2022-11-09T22:40:22Z)
A Survey on Explainable Anomaly Detection [13.303115111810266]
この研究は、最先端の説明可能な異常検出技術に関する包括的かつ構造化された調査を提供する。本稿では,各説明可能な異常検出手法を特徴付ける主要な側面に基づく分類法を提案する。
論文参考訳（メタデータ） (2022-10-13T12:37:22Z)
From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale Contrastive Learning Approach [49.439021563395976]
グラフデータからの異常検出は、ソーシャルネットワーク、金融、eコマースなど、多くのアプリケーションにおいて重要なデータマイニングタスクである。マルチスケールcONtrastive lEarning(略してANEMONE)を用いた新しいフレームワーク, graph Anomaly dEtection フレームワークを提案する。グラフニューラルネットワークをバックボーンとして、複数のグラフスケール(ビュー)から情報をエンコードすることで、グラフ内のノードのより良い表現を学習する。
論文参考訳（メタデータ） (2022-02-11T09:45:11Z)
A Taxonomy of Anomalies in Log Data [0.09558392439655014]
異常の一般的な分類法は、すでに存在するが、ログデータに特に適用されていない。本稿では,異なる種類のログデータ異常に対する分類法を提案し,ラベル付きデータセットにおけるそのような異常を分析する方法を提案する。以上の結果から,最も一般的な異常型が予測し易いことが示唆された。
論文参考訳（メタデータ） (2021-11-26T12:23:06Z)
Applications of Generative Adversarial Networks in Anomaly Detection: A Systematic Literature Review [28.752089275446462]
GAN(Generative Adversarial Network)は異常検出研究において大きな注目を集めている。本稿では,GANの異常検出への応用について,系統的な文献レビューを行う。
論文参考訳（メタデータ） (2021-10-22T21:48:48Z)
A Comprehensive Survey on Graph Anomaly Detection with Deep Learning [37.83120827837028]
異常は稀な観測(例えば、データ記録や出来事)であり、他のものとは大きく異なる。本研究では,グラフ異常検出のための現代のディープラーニング技術について,体系的かつ包括的にレビューすることを目的とする。
論文参考訳（メタデータ） (2021-06-14T06:04:57Z)
Deep Learning for Anomaly Detection: A Review [150.9270911031327]
本稿では,3つの高レベルカテゴリと11の細粒度カテゴリの進歩を網羅した包括的分類法による深部異常検出の研究について調査する。我々は、それらの重要な直観、客観的機能、基礎となる仮定、利点とデメリットをレビューし、上記の課題にどのように対処するかについて議論する。
論文参考訳（メタデータ） (2020-07-06T02:21:16Z)
Anomalous Example Detection in Deep Learning: A Survey [98.2295889723002]
本調査は,ディープラーニングアプリケーションにおける異常検出の研究について,構造化された包括的概要を提供する。既存の技術に対する分類法を,その基礎となる前提と採用アプローチに基づいて提案する。本稿では,DLシステムに異常検出技術を適用しながら未解決の研究課題を取り上げ,今後の課題について述べる。
論文参考訳（メタデータ） (2020-03-16T02:47:23Z)

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。