論文の概要: Geospatial Trajectory Generation via Efficient Abduction: Deployment for Independent Testing

• arxiv url: http://arxiv.org/abs/2407.06447v1
• Date: Mon, 8 Jul 2024 23:11:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-10 19:44:58.178254
• Title: Geospatial Trajectory Generation via Efficient Abduction: Deployment for Independent Testing
• Title（参考訳）: 効率的なアブダクションによる地空間軌道生成:独立テストへの展開
• Authors: Divyagna Bavikadi, Dyuman Aditya, Devendra Parkar, Paulo Shakarian, Graham Mueller, Chad Parvis, Gerardo I. Simari,
• Abstract要約: 情報(A*)探索により,移動軌跡を効率的に吸収できることが示される。 私たちはまた、正確な結果を提供するだけでなく、非常に大きなシナリオにもスケールできることを示す独自の実験について報告します。
• 参考スコア（独自算出の注目度）: 1.8877926393541125
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ability to generate artificial human movement patterns while meeting location and time constraints is an important problem in the security community, particularly as it enables the study of the analog problem of detecting such patterns while maintaining privacy. We frame this problem as an instance of abduction guided by a novel parsimony function represented as an aggregate truth value over an annotated logic program. This approach has the added benefit of affording explainability to an analyst user. By showing that any subset of such a program can provide a lower bound on this parsimony requirement, we are able to abduce movement trajectories efficiently through an informed (i.e., A*) search. We describe how our implementation was enhanced with the application of multiple techniques in order to be scaled and integrated with a cloud-based software stack that included bottom-up rule learning, geolocated knowledge graph retrieval/management, and interfaces with government systems for independently conducted government-run tests for which we provide results. We also report on our own experiments showing that we not only provide exact results but also scale to very large scenarios and provide realistic agent trajectories that can go undetected by machine learning anomaly detectors.
• Abstract（参考訳）: 位置情報と時間制約を満足しながら人工的な人間の動きパターンを生成する能力は、特にプライバシーを維持しながらそのようなパターンを検出するアナログ問題の研究を可能にするため、セキュリティコミュニティにおいて重要な問題である。 我々は,この問題を,注釈付き論理プログラム上での集合真理値として表現された新しい擬似関数によって導かれる誘拐の事例として捉えた。 このアプローチには、アナリストユーザに説明責任を与えるメリットが追加されます。 このようなプログラムの任意のサブセットが、このパーシモニー要件の低いバウンダリを提供できることを示すことにより、情報(すなわち、A*)探索を通じて、効率的に運動軌跡を吸収することができる。 本稿では、ボトムアップルール学習、地理知識グラフ検索/管理、政府システムとのインターフェースなどを含むクラウドベースのソフトウェアスタックと統合し、その結果を提供するために、複数の技術の適用によって実装が強化された方法について述べる。 また、我々は、正確な結果を提供するだけでなく、非常に大きなシナリオにスケールし、機械学習の異常検知器によって検出されない現実的なエージェントの軌跡を提供することを示す独自の実験を報告した。

関連論文リスト

• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• 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)
• Self-supervised Learning for Anomaly Detection in Computational Workflows [10.39119516144685]
  我々は、ラベルのないワークフローデータから要約統計を学習する自動エンコーダ駆動型自己教師学習(SSL)アプローチを導入する。 提案手法では,合成学習目標とコントラスト学習目標を組み合わせて,要約統計における外れ値を検出する。 潜在空間における正常な挙動の分布を推定することにより、我々のベンチマークデータセットにおける最先端の異常検出方法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-02T14:31:56Z)
• Performance Issue Identification in Cloud Systems with Relational-Temporal Anomaly Detection [5.473091770227683]
  パフォーマンス上の問題は、大規模なクラウドサービスシステムに浸透し、大きな収益損失をもたらす可能性がある。 信頼性の高いパフォーマンスを保証するためには、サービス監視メトリクスを使用してこれらの問題を正確に識別することが不可欠です。 いくつかの既存手法は、異常を検出するために各計量を独立に解析することでこの問題に対処している。
  論文  参考訳（メタデータ） (2023-07-20T13:41:26Z)
• AI based Log Analyser: A Practical Approach [0.0]
  ログの分析は、システムおよびサイバーレジリエンスの障害またはサイバー法医学的インシデントの検出、調査、技術分析のために行われる重要な活動である。 ログ分析のためのAIアルゴリズムの潜在的な応用は、そのような複雑で退屈なタスクを増強する可能性がある。 本研究は,通常のログエントリのみを持つ新しいモデルをトレーニングするために Transformer 構造を用いることで,これらの課題に対処することを目的とする。
  論文  参考訳（メタデータ） (2022-03-18T07:57:48Z)
• 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)
• Generative and Contrastive Self-Supervised Learning for Graph Anomaly Detection [14.631674952942207]
  グラフ異常検出のための自己教師付き学習法(SL-GAD)を提案する。 提案手法では,対象ノードに基づいて異なるコンテキストサブグラフを構築し,生成属性回帰とマルチビューコントラスト学習という2つのモジュールを用いて異常検出を行う。 提案手法は,6つのベンチマークデータセットに対して広範な実験を行い,提案手法が最先端の手法よりも大きなマージンで優れていることを示した。
  論文  参考訳（メタデータ） (2021-08-23T02:15:21Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)
• AutoOD: Automated Outlier Detection via Curiosity-guided Search and Self-imitation Learning [72.99415402575886]
  外乱検出は重要なデータマイニングの課題であり、多くの実用的応用がある。 本稿では,最適なニューラルネットワークモデルを探すことを目的とした自動外乱検出フレームワークであるAutoODを提案する。 さまざまな実世界のベンチマークデータセットに対する実験結果から、AutoODが特定したディープモデルが最高のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2020-06-19T18:57:51Z)
• Guided Uncertainty-Aware Policy Optimization: Combining Learning and Model-Based Strategies for Sample-Efficient Policy Learning [75.56839075060819]
  従来のロボットのアプローチは、環境の正確なモデル、タスクの実行方法の詳細な説明、現在の状態を追跡するための堅牢な認識システムに依存している。 強化学習アプローチは、タスクを記述するための報酬信号だけで、生の感覚入力から直接操作することができるが、非常にサンプル非効率で脆弱である。 本研究では,ロボットの知覚・運動パイプラインにおける不正確さを克服できる一般的な手法を得るために,モデルに基づく手法の強みと学習に基づく手法の柔軟性を組み合わせる。
  論文  参考訳（メタデータ） (2020-05-21T19:47:05Z)
• Controlled time series generation for automotive software-in-the-loop testing using GANs [0.5352699766206808]
  オートマチックメカトロニクスシステムのテストは、部分的にはソフトウェア・イン・ザ・ループ・アプローチを使用し、システム・アンダー・テストのインプットを体系的にカバーすることが大きな課題である。 ひとつのアプローチは、テストプロセスの制御とフィードバックを容易にする入力シーケンスを作成することだが、現実的なシナリオにシステムを公開できない。 もうひとつは、現実を説明できるフィールド操作から記録されたシーケンスを再生するが、広く使われるには十分なキャパシティの十分なラベル付きデータセットを収集する必要があるため、コストがかかる。 この研究は、GAN(Generative Adrial Networks)のよく知られた教師なし学習フレームワークを適用して、記録された車内データのラベルなしデータセットを学習する。
  論文  参考訳（メタデータ） (2020-02-16T16:19:29Z)

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。