論文の概要: SADDE: Semi-supervised Anomaly Detection with Dependable Explanations

• arxiv url: http://arxiv.org/abs/2411.11293v1
• Date: Mon, 18 Nov 2024 05:39:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:28:27.777350
• Title: SADDE: Semi-supervised Anomaly Detection with Dependable Explanations
• Title（参考訳）: SADDE: 依存性説明を用いた半教師付き異常検出
• Authors: Yachao Yuan, Yu Huang, Yali Yuan, Jin Wang,
• Abstract要約: SADDEは2つの主要な目的を達成するために設計された一般的なフレームワークである。 これにより、異常検出プロセスが解釈可能となり、解釈結果の信頼性が向上する。 ネットワーク異常検出に適した新しい2段階半教師付き学習フレームワークを概念化する。
• 参考スコア（独自算出の注目度）: 6.430347394645541
• License:
• Abstract: Semi-supervised learning holds a pivotal position in anomaly detection applications, yet identifying anomaly patterns with a limited number of labeled samples poses a significant challenge. Furthermore, the absence of interpretability poses major obstacles to the practical adoption of semi-supervised frameworks. The majority of existing interpretation techniques are tailored for supervised/unsupervised frameworks or non-security domains, falling short in providing dependable interpretations. In this research paper, we introduce SADDE, a general framework designed to accomplish two primary objectives: (1) to render the anomaly detection process interpretable and enhance the credibility of interpretation outcomes, and (2) to assign high-confidence pseudo labels to unlabeled samples, thereby boosting the performance of anomaly detection systems when supervised data is scarce. To achieve the first objective, we devise a cutting-edge interpretation method that utilizes both global and local interpreters to furnish trustworthy explanations. For the second objective, we conceptualize a novel two-stage semi-supervised learning framework tailored for network anomaly detection, ensuring that the model predictions of both stages align with specific constraints. We apply SADDE to two illustrative network anomaly detection tasks and conduct extensive evaluations in comparison with notable prior works. The experimental findings underscore that SADDE is capable of delivering precise detection results alongside dependable interpretations for semi-supervised network anomaly detection systems. The source code for SADDE is accessible at: https://github.com/M-Code-Space/SADDE.
• Abstract（参考訳）: 半教師付き学習は異常検出アプリケーションにおいて重要な位置を占めるが、ラベル付きサンプルの数が限られている異常パターンを特定することは大きな課題である。 さらに、解釈可能性の欠如は、半教師付きフレームワークの実践に大きな障害をもたらす。 既存の解釈技法の大部分は、監督/監督されていないフレームワークや非セキュリティドメイン用に調整されており、信頼性の高い解釈を提供するには不足している。 本稿では,(1)解釈可能な異常検出プロセスのレンダリングと解釈結果の信頼性向上,(2)ラベルのないサンプルに高信頼の擬似ラベルを割り当てること,そして,教師付きデータが不足している場合に異常検出システムの性能を高めること,という2つの主要な目的を達成するための一般的なフレームワークであるSADDEを紹介する。 最初の目的を達成するために,グローバルインタプリタとローカルインタプリタを併用して,信頼に値する説明を提供する,最先端の解釈手法を考案した。 2つ目の目的として、ネットワーク異常検出に適した2段階半教師付き学習フレームワークを概念化し、各段階のモデル予測が特定の制約と整合することを保証する。 SADDEを2つの図形的ネットワーク異常検出タスクに適用し、顕著な先行研究と比較して広範囲な評価を行う。 SADDEは、半教師付きネットワーク異常検出システムにおいて、信頼性の高い解釈とともに正確な検出結果を提供することができることを示す実験結果である。 SADDEのソースコードは、https://github.com/M-Code-Space/SADDEでアクセスできる。

関連論文リスト

• CL-Flow:Strengthening the Normalizing Flows by Contrastive Learning for Better Anomaly Detection [1.951082473090397]
  コントラスト学習と2D-Flowを組み合わせた自己教師付き異常検出手法を提案する。 本手法は,主流の教師なし手法と比較して,検出精度が向上し,モデルパラメータが減少し,推論速度が向上することを示す。 BTADデータセットでは,MVTecADデータセットでは画像レベルのAUROCが99.6%,BTADデータセットでは画像レベルのAUROCが96.8%であった。
  論文  参考訳（メタデータ） (2023-11-12T10:07:03Z)
• Ambiguity-Resistant Semi-Supervised Learning for Dense Object Detection [98.66771688028426]
  本研究では,一段階検出器のためのAmbiguity-Resistant Semi-supervised Learning (ARSL)を提案する。 擬似ラベルの分類とローカライズ品質を定量化するために,JCE(Joint-Confidence Estimation)を提案する。 ARSLは、曖昧さを効果的に軽減し、MS COCOおよびPASCALVOC上で最先端のSSOD性能を達成する。
  論文  参考訳（メタデータ） (2023-03-27T07:46:58Z)
• Benchmarking Deep Models for Salient Object Detection [67.07247772280212]
  汎用SALOD(General SALient Object Detection)ベンチマークを構築し,複数のSOD手法の総合的な比較を行った。 以上の実験では、既存の損失関数は、通常いくつかの指標に特化しているが、他の指標には劣る結果が報告されている。 我々は,深層ネットワークに画素レベルと画像レベルの両方の監視信号を統合することにより,より識別的な特徴を学習するためのエッジ・アウェア・ロス(EA)を提案する。
  論文  参考訳（メタデータ） (2022-02-07T03:43:16Z)
• UN-AVOIDS: Unsupervised and Nonparametric Approach for Visualizing Outliers and Invariant Detection Scoring [2.578242050187029]
  UN-AVOIDS(UN-AVOIDS)は、人間のプロセス)と外れ値の検出(アルゴリズムプロセス)の両方に対して、教師なしかつ非パラメトリックなアプローチである。 近傍累積密度関数(NCDF)として導入した新しい空間にデータを変換する。 AUCに関しては、UN-AVOIDSはほぼ総合的な勝者である。
  論文  参考訳（メタデータ） (2021-11-19T02:31:06Z)
• Enhancing Unsupervised Anomaly Detection with Score-Guided Network [13.127091975959358]
  異常検出は、医療や金融システムなど、さまざまな現実世界のアプリケーションにおいて重要な役割を担っている。 正規データと異常データの間の異常スコアの差を学習・拡大するために,スコア誘導正規化を用いた新しいスコアネットワークを提案する。 次に,スコア誘導型オートエンコーダ(SG-AE)を提案する。
  論文  参考訳（メタデータ） (2021-09-10T06:14:53Z)
• Exploring Robustness of Unsupervised Domain Adaptation in Semantic Segmentation [74.05906222376608]
  クリーンな画像とそれらの逆の例との一致を、出力空間における対照的な損失によって最大化する、逆向きの自己スーパービジョンUDA(ASSUDA)を提案する。 i) セマンティックセグメンテーションにおけるUDA手法のロバスト性は未解明のままであり, (ii) 一般的に自己スーパービジョン(回転やジグソーなど) は分類や認識などのイメージタスクに有効であるが, セグメンテーションタスクの識別的表現を学習する重要な監視信号の提供には失敗している。
  論文  参考訳（メタデータ） (2021-05-23T01:50:44Z)
• WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection [75.80075054706079]
  弱機能および半教師付きオブジェクト検出フレームワーク(WSSOD)を提案する。 エージェント検出器は、まず関節データセット上でトレーニングされ、弱注釈画像上で擬似境界ボックスを予測するために使用される。 提案フレームワークはPASCAL-VOC と MSCOCO のベンチマークで顕著な性能を示し,完全教師付き環境で得られたものと同等の性能を達成している。
  論文  参考訳（メタデータ） (2021-05-21T11:58:50Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)
• ESAD: End-to-end Deep Semi-supervised Anomaly Detection [85.81138474858197]
  正規データと異常データの間のKL偏差を計測する新たな目的関数を提案する。 提案手法は,複数のベンチマークデータセットの最先端性能を著しく上回っている。
  論文  参考訳（メタデータ） (2020-12-09T08:16:35Z)
• Dependency-based Anomaly Detection: a General Framework and Comprehensive Evaluation [33.31923133201812]
  本稿では,依存性に基づく異常検出(DepAD)を提案する。 DepADは教師なしの異常検出を教師付き特徴選択と予測タスクとして再設定する。 2つのDepADアルゴリズムは、幅広いデータセットを扱うオールラウンドと優れたパフォーマーとして登場します。
  論文  参考訳（メタデータ） (2020-11-13T01:39:44Z)

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。