論文の概要: Continuous GNN-based Anomaly Detection on Edge using Efficient Adaptive Knowledge Graph Learning

• arxiv url: http://arxiv.org/abs/2411.09072v1
• Date: Wed, 13 Nov 2024 22:55:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-15 15:24:10.542027
• Title: Continuous GNN-based Anomaly Detection on Edge using Efficient Adaptive Knowledge Graph Learning
• Title（参考訳）: 適応的知識グラフ学習を用いたエッジ上の連続GNNによる異常検出
• Authors: Sanggeon Yun, Ryozo Masukawa, William Youngwoo Chung, Minhyoung Na, Nathaniel Bastian, Mohsen Imani,
• Abstract要約: ビデオ異常検出(VAD)は、インテリジェント監視、証拠調査、暴力検出などのアプリケーションにおいて重要なタスクである。 VADの従来のアプローチは、しばしば大規模で事前訓練されたモデルの微調整に依存しており、計算コストが高く、リアルタイムやリソース制約のある環境では実用的ではない。 本稿では,クラウド依存の限界を克服し,エッジデバイス上での連続KG適応を容易にする新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.479496001941191
• License:
• Abstract: The increasing demand for robust security solutions across various industries has made Video Anomaly Detection (VAD) a critical task in applications such as intelligent surveillance, evidence investigation, and violence detection. Traditional approaches to VAD often rely on finetuning large pre-trained models, which can be computationally expensive and impractical for real-time or resource-constrained environments. To address this, MissionGNN introduced a more efficient method by training a graph neural network (GNN) using a fixed knowledge graph (KG) derived from large language models (LLMs) like GPT-4. While this approach demonstrated significant efficiency in computational power and memory, it faces limitations in dynamic environments where frequent updates to the KG are necessary due to evolving behavior trends and shifting data patterns. These updates typically require cloud-based computation, posing challenges for edge computing applications. In this paper, we propose a novel framework that facilitates continuous KG adaptation directly on edge devices, overcoming the limitations of cloud dependency. Our method dynamically modifies the KG through a three-phase process: pruning, alternating, and creating nodes, enabling real-time adaptation to changing data trends. This continuous learning approach enhances the robustness of anomaly detection models, making them more suitable for deployment in dynamic and resource-constrained environments.
• Abstract（参考訳）: 様々な業界で堅牢なセキュリティソリューションの需要が高まっているため、ビデオ異常検出(VAD)はインテリジェントな監視、証拠調査、暴力検出といったアプリケーションにおいて重要な課題となっている。 VADの従来のアプローチは、しばしば大規模で事前訓練されたモデルの微調整に依存しており、計算コストが高く、リアルタイムやリソース制約のある環境では実用的ではない。 これを解決するために、MissionGNNは、GPT-4のような大きな言語モデル(LLM)から派生した固定知識グラフ(KG)を使用してグラフニューラルネットワーク(GNN)をトレーニングすることで、より効率的な方法を導入した。 このアプローチは計算能力とメモリの大幅な効率性を示したが、KGへの頻繁な更新が必要な動的環境では、振る舞いの傾向とデータパターンのシフトのために制限に直面している。 これらの更新は一般的にクラウドベースの計算を必要とし、エッジコンピューティングアプリケーションの課題を提起する。 本稿では,クラウド依存の限界を克服し,エッジデバイス上での連続KG適応を容易にする新しいフレームワークを提案する。 本手法は,3段階のプロセスによりKGを動的に修正し,ノードのプルーニング,交互化,生成を行い,データトレンドの変化に対するリアルタイム適応を可能にする。 この継続的学習アプローチは、異常検出モデルの堅牢性を高め、動的およびリソース制約のある環境へのデプロイにより適している。

関連論文リスト

• DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
  動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。 動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。 我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-08-13T15:21:46Z)
• Gradient Transformation: Towards Efficient and Model-Agnostic Unlearning for Dynamic Graph Neural Networks [66.70786325911124]
  グラフアンラーニングは、ユーザのプライバシ保護と、望ましくないデータによるネガティブな影響軽減に不可欠なツールとして登場した。 DGNNの普及に伴い、動的グラフアンラーニングの実装を検討することが不可欠となる。 DGNNアンラーニングを実装するために,効率的,効率的,モデルに依存しない,事後処理手法を提案する。
  論文  参考訳（メタデータ） (2024-05-23T10:26:18Z)
• EDGE++: Improved Training and Sampling of EDGE [17.646159460584926]
  これらの問題に対処するために,EDGEモデルの強化を提案する。 具体的には,各時刻におけるアクティブノード数を最適化する等級別ノイズスケジュールを導入する。 また、生成過程を微調整し、合成されたネットワークと真のネットワークとの類似性をよりよく制御できる改良されたサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2023-10-22T22:54:20Z)
• Multiplicative update rules for accelerating deep learning training and increasing robustness [69.90473612073767]
  我々は、幅広い機械学習アルゴリズムに適合し、代替の更新ルールを適用することができる最適化フレームワークを提案する。 提案するフレームワークはトレーニングを加速する一方、従来の追加更新ルールとは対照的に、より堅牢なモデルにつながります。
  論文  参考訳（メタデータ） (2023-07-14T06:44:43Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)
• TrackMPNN: A Message Passing Graph Neural Architecture for Multi-Object Tracking [8.791710193028903]
  本研究は,グラフに基づくデータ構造を用いて問題をモデル化する多目的追跡(MOT)への多くの従来のアプローチに従う。 複数のタイムステップにまたがるデータ関連問題を表す動的無方向性グラフに基づくフレームワークを作成する。 また、メモリ効率が高く、リアルタイムなオンラインアルゴリズムを作成するために対処する必要がある計算問題に対するソリューションと提案も提供します。
  論文  参考訳（メタデータ） (2021-01-11T21:52:25Z)
• Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
  この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。 本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。 我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
  論文  参考訳（メタデータ） (2020-11-16T08:24:34Z)
• Towards an Efficient and General Framework of Robust Training for Graph Neural Networks [96.93500886136532]
  グラフニューラルネットワーク(GNN)は、いくつかの基本的な推論タスクに大きく進歩している。 GNNの目覚ましい性能にもかかわらず、グラフ構造上の摂動を慎重に作り、誤った予測を下すことが観察されている。 我々は,強靭なGNNを得るために,欲求探索アルゴリズムとゼロ階法を利用する汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-25T15:17:58Z)

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。