Fugu-MT 論文翻訳(概要): xSemAD: Explainable Semantic Anomaly Detection in Event Logs Using Sequence-to-Sequence Models

論文の概要: xSemAD: Explainable Semantic Anomaly Detection in Event Logs Using Sequence-to-Sequence Models

arxiv url: http://arxiv.org/abs/2406.19763v1
Date: Fri, 28 Jun 2024 09:06:52 GMT
ステータス: 処理完了
システム内更新日: 2024-07-01 17:20:03.798414
Title: xSemAD: Explainable Semantic Anomaly Detection in Event Logs Using Sequence-to-Sequence Models
Title（参考訳）: xSemAD:Sequence-to-Sequenceモデルを用いたイベントログにおける説明可能な意味的異常検出
Authors: Kiran Busch, Timotheus Kampik, Henrik Leopold,
Abstract要約: この研究は意味的異常検出のギャップに対処し、通常、異常の性質を説明することなく、異常の発生を示す。我々はxSemADを提案する。xSemADは、シーケンス・ツー・シーケンス・モデルを用いて、純粋な識別を超越し、拡張された説明を提供するアプローチである。実験により,本手法は既存の意味的異常検出手法よりも優れていることが示された。
参考スコア（独自算出の注目度）: 1.6713531923053913
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The identification of undesirable behavior in event logs is an important aspect of process mining that is often addressed by anomaly detection methods. Traditional anomaly detection methods tend to focus on statistically rare behavior and neglect the subtle difference between rarity and undesirability. The introduction of semantic anomaly detection has opened a promising avenue by identifying semantically deviant behavior. This work addresses a gap in semantic anomaly detection, which typically indicates the occurrence of an anomaly without explaining the nature of the anomaly. We propose xSemAD, an approach that uses a sequence-to-sequence model to go beyond pure identification and provides extended explanations. In essence, our approach learns constraints from a given process model repository and then checks whether these constraints hold in the considered event log. This approach not only helps understand the specifics of the undesired behavior, but also facilitates targeted corrective actions. Our experiments demonstrate that our approach outperforms existing state-of-the-art semantic anomaly detection methods.
Abstract（参考訳）: イベントログにおける望ましくない振る舞いの識別はプロセスマイニングの重要な側面であり、しばしば異常検出法によって対処される。従来の異常検出手法は統計的に稀な振る舞いに焦点を合わせ、希少性と望ましくないとの微妙な違いを無視する傾向がある。意味的異常検出の導入は、意味的逸脱した振る舞いを特定することによって、有望な道を開いた。この研究は意味的異常検出のギャップに対処し、通常、異常の性質を説明することなく、異常の発生を示す。我々はxSemADを提案する。xSemADは、シーケンス・ツー・シーケンス・モデルを用いて、純粋な識別を超越し、拡張された説明を提供するアプローチである。基本的に、我々のアプローチは与えられたプロセスモデルリポジトリから制約を学び、これらの制約が考慮されたイベントログに保持されているかどうかをチェックする。このアプローチは、望ましくない振る舞いの具体性を理解するのに役立つだけでなく、標的となる修正行動を促進する。実験により,本手法は既存の意味的異常検出手法よりも優れていることが示された。

関連論文リスト

Unsupervised Anomaly Detection Using Diffusion Trend Analysis [48.19821513256158]
本稿では, 劣化度に応じて, 復元傾向の分析により異常を検出する手法を提案する。提案手法は,産業用異常検出のためのオープンデータセット上で検証される。
論文参考訳（メタデータ） (2024-07-12T01:50:07Z)
DABL: Detecting Semantic Anomalies in Business Processes Using Large Language Models [9.790772692344044]
大規模言語モデル(LLM)を用いたビジネスプロセスにおける意味異常の検出手法であるDABLを導入する。我々は、様々なドメインから143,137個の実世界のプロセスモデルを収集し、これらのプロセスモデルのプレイアウトを通して正常なトレースを生成することにより、結果のログを用いてLlama 2を微調整する。 DABLは、与えられたプロセスの一般化能力と学習の両方の観点から、既存の最先端のセマンティックな異常検出手法を超越していることを示す。
論文参考訳（メタデータ） (2024-06-22T08:20:19Z)
Don't Miss Out on Novelty: Importance of Novel Features for Deep Anomaly Detection [64.21963650519312]
異常検出(AD)は、正規性の学習モデルに適合しない観察を識別する重要なタスクである。本稿では, 入力空間における説明不能な観測として, 説明可能性を用いた新しいAD手法を提案する。当社のアプローチでは,複数のベンチマークにまたがる新たな最先端性を確立し,さまざまな異常な型を扱う。
論文参考訳（メタデータ） (2023-10-01T21:24:05Z)
CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
論文参考訳（メタデータ） (2023-08-18T04:45:56Z)
Towards Interpretable Anomaly Detection via Invariant Rule Mining [2.538209532048867]
本研究では,不変ルールマイニングによる高度に解釈可能な異常検出を追求する。具体的には、決定木学習と相関ルールマイニングを活用して、不変ルールを自動的に生成する。生成された不変規則は、異常検出結果の明示的な説明を提供することができるため、その後の意思決定には極めて有用である。
論文参考訳（メタデータ） (2022-11-24T13:03:20Z)
Fine-grained Anomaly Detection in Sequential Data via Counterfactual Explanations [19.836395281552626]
本稿では, CFDetと呼ばれる, きめ細かい入力検出のための新しいフレームワークを提案する。異常として検出されるシーケンスを考慮すれば、異常なエントリ検出を解釈可能な機械学習タスクとみなすことができる。本稿では, 深層支援ベクトルデータ記述法(Deep SVDD)を用いて異常なシーケンスを検出する。
論文参考訳（メタデータ） (2022-10-09T02:38:11Z)
The Analysis of Online Event Streams: Predicting the Next Activity for Anomaly Detection [0.696125353550498]
我々は,オンラインイベント異常検出問題に対して,次世代の予測手法を用いて取り組むことを提案する。これらの予測異常検出手法と4つの古典的教師なし異常検出手法を比較した。
論文参考訳（メタデータ） (2022-03-17T21:17:19Z)
Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文参考訳（メタデータ） (2021-08-01T14:33:17Z)
Recomposition vs. Prediction: A Novel Anomaly Detection for Discrete Events Based On Autoencoder [5.781280693720236]
侵入検知の分野で最も難しい問題の1つは、離散イベントログの異常検出である。離散イベントログのDeep Autoencoderベースの異常検出手法であるDabLogを提案する。解析(符号化)と再構成(復号化)により、シーケンスが正常または異常かどうかを判定します。
論文参考訳（メタデータ） (2020-12-27T16:31:05Z)
Toward Deep Supervised Anomaly Detection: Reinforcement Learning from Partially Labeled Anomaly Data [150.9270911031327]
本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
論文参考訳（メタデータ） (2020-09-15T03:05:39Z)
Deep Weakly-supervised Anomaly Detection [118.55172352231381]
ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。 PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。 12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
論文参考訳（メタデータ） (2019-10-30T00:40:25Z)

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。