論文の概要: Hypergraph Learning based Recommender System for Anomaly Detection, Control and Optimization
- arxiv url: http://arxiv.org/abs/2408.11359v1
- Date: Wed, 21 Aug 2024 06:04:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-22 18:19:12.437250
- Title: Hypergraph Learning based Recommender System for Anomaly Detection, Control and Optimization
- Title（参考訳）: ハイパーグラフ学習による異常検出・制御・最適化のためのレコメンダシステム
- Authors: Sakhinana Sagar Srinivas, Rajat Kumar Sarkar, Venkataramana Runkana,
- Abstract要約: 本稿では,(a)離散ハイパーグラフ構造の連成学習のための自己適応型異常検出フレームワークと,(b)相互依存型センサ間の時間的傾向と空間的関係をモデル化する。
このフレームワークは、ハイパーグラフ構造データのリレーショナル帰納バイアスを利用して、ポイントワイズ・シングルステップ・アヘッド予測を学習する。
ルート原因分析のための異常情報伝搬に基づく計算ハイパーグラフを導出し、オフラインで最適な予測制御ポリシを通じて推奨する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Anomaly detection is fundamental yet, challenging problem with practical applications in industry. The current approaches neglect the higher-order dependencies within the networks of interconnected sensors in the high-dimensional time series(multisensor data) for anomaly detection. To this end, we present a self-adapting anomaly detection framework for joint learning of (a) discrete hypergraph structure and (b) modeling the temporal trends and spatial relations among the interdependent sensors using the hierarchical encoder-decoder architecture to overcome the challenges. The hypergraph representation learning-based framework exploits the relational inductive biases in the hypergraph-structured data to learn the pointwise single-step-ahead forecasts through the self-supervised autoregressive task and predicts the anomalies based on the forecast error. Furthermore, our framework incentivizes learning the anomaly-diagnosis ontology through a differentiable approach. It derives the anomaly information propagation-based computational hypergraphs for root cause analysis and provides recommendations through an offline, optimal predictive control policy to remedy an anomaly. We conduct extensive experiments to evaluate the proposed method on the benchmark datasets for fair and rigorous comparison with the popular baselines. The proposed method outperforms the baseline models and achieves SOTA performance. We report the ablation studies to support the efficacy of the framework.
- Abstract（参考訳）: 業界における実践的応用において、異常検出は根本的かつ困難な問題である。
現在のアプローチでは、異常検出のための高次元時系列(マルチセンサデータ)において、相互接続されたセンサーのネットワーク内の高次依存関係を無視している。
この目的のために,共同学習のための自己適応型異常検出フレームワークを提案する。
(a)離散ハイパーグラフ構造及び
b) 階層型エンコーダデコーダアーキテクチャを用いて, 相互依存センサ間の時間的傾向と空間的関係をモデル化し, 課題を克服した。
ハイパーグラフ表現学習ベースのフレームワークは、ハイパーグラフ構造データ中の関係帰納バイアスを利用して、自己教師付き自己回帰タスクを通じてポイントワイズ単一ステップ先進予測を学習し、予測誤差に基づいて異常を予測する。
さらに,本フレームワークは,異常診断オントロジーを識別可能なアプローチで学習する。
ルート原因分析のための異常情報伝播に基づく計算ハイパーグラフを導出し、異常を治療するためのオフラインで最適な予測制御ポリシを通じて推奨する。
我々は,提案手法をベンチマークデータセット上で評価するために,一般的なベースラインと比較し,公平かつ厳密な比較を行う。
提案手法はベースラインモデルより優れ,SOTA性能を実現する。
本稿では,フレームワークの有効性を支えるためのアブレーション研究について報告する。
関連論文リスト
- Pattern-Based Time-Series Risk Scoring for Anomaly Detection and Alert Filtering -- A Predictive Maintenance Case Study [3.508168174653255]
本稿では,逐次パターンの類似性に基づいて,異常検出と警告フィルタリングを高速かつ効率的に行う手法を提案する。
本稿では, 大規模産業システムにおける異常検出を含む様々な目的で, このアプローチをどのように活用するかを示す。
論文 参考訳（メタデータ） (2024-05-24T20:27:45Z) - A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。
オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
論文 参考訳（メタデータ） (2023-11-13T01:48:08Z) - Hyperbolic Self-supervised Contrastive Learning Based Network Anomaly
Detection [0.0]
属性ネットワーク上の異常検出は近年,多くの研究分野において注目されている。
双曲型自己教師付きコントラスト学習を用いた効率的な異常検出フレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-12T07:08:34Z) - Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。
グラフが現在の勾配を混合する能力を定量化する計量法を提案する。
そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
論文 参考訳（メタデータ） (2022-04-13T15:54:35Z) - Deep Equilibrium Assisted Block Sparse Coding of Inter-dependent
Signals: Application to Hyperspectral Imaging [71.57324258813675]
相互依存信号のデータセットは、列が強い依存を示す行列として定義される。
ニューラルネットワークは、事前に構造として機能し、基礎となる信号相互依存性を明らかにするために使用される。
ディープ・アンローリングとディープ・平衡に基づくアルゴリズムが開発され、高度に解釈可能で簡潔なディープ・ラーニング・ベース・アーキテクチャを形成する。
論文 参考訳（メタデータ） (2022-03-29T21:00:39Z) - Leveraging Evidential Deep Learning Uncertainties with Graph-based
Clustering to Detect Anomalies [1.525943491541265]
本稿では,自動識別システム(AIS)データを用いた船舶のクラスタ軌道に対するグラフベーストラフィック表現手法を提案する。
本稿では,深層学習(DL)に基づく不確実性推定を海洋異常の検出に利用することを提案する。
論文 参考訳（メタデータ） (2021-07-04T06:31:59Z) - Graph Neural Network-Based Anomaly Detection in Multivariate Time Series [17.414474298706416]
我々は,高次元時系列データにおける異常を検出する新しい方法を開発した。
我々のアプローチは、構造学習アプローチとグラフニューラルネットワークを組み合わせている。
本研究では,本手法がベースラインアプローチよりも高精度に異常を検出することを示す。
論文 参考訳（メタデータ） (2021-06-13T09:07:30Z) - 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) - CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。
CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
論文 参考訳（メタデータ） (2020-09-28T09:49:38Z) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳（メタデータ） (2020-09-16T15:52:04Z) - Interpreting Rate-Distortion of Variational Autoencoder and Using Model
Uncertainty for Anomaly Detection [5.491655566898372]
表現学習による教師なし異常検出のためのスケーラブルな機械学習システムを構築した。
本稿では,情報理論の観点からVAEを再考し,再構成誤差を用いた理論的基礎を提供する。
ベンチマークデータセットに対するアプローチの競合性能を実証的に示す。
論文 参考訳（メタデータ） (2020-05-05T00:03:48Z)
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。