論文の概要: Active Rule Mining for Multivariate Anomaly Detection in Radio Access Networks

• arxiv url: http://arxiv.org/abs/2501.06571v1
• Date: Sat, 11 Jan 2025 15:42:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:27:54.541536
• Title: Active Rule Mining for Multivariate Anomaly Detection in Radio Access Networks
• Title（参考訳）: 無線アクセスネットワークにおける多変量異常検出のためのアクティブルールマイニング
• Authors: Ebenezer R. H. P. Isaac, Joseph H. R. Isaac,
• Abstract要約: 本稿では,半自律型アノマルールマイナを提案する。 これは離散データと時系列データの両方に適用できる。 無線アクセスネットワーク(RAN)異常検出ユースケース用に調整されている。
• 参考スコア（独自算出の注目度）: 0.18416014644193066
• License:
• Abstract: Multivariate anomaly detection finds its importance in diverse applications. Despite the existence of many detectors to solve this problem, one cannot simply define why an obtained anomaly inferred by the detector is anomalous. This reasoning is required for network operators to understand the root cause of the anomaly and the remedial action that should be taken to counteract its occurrence. Existing solutions in explainable AI may give cues to features that influence an anomaly, but they do not formulate generalizable rules that can be assessed by a domain expert. Furthermore, not all outliers are anomalous in a business sense. There is an unfulfilled need for a system that can interpret anomalies predicted by a multivariate anomaly detector and map these patterns to actionable rules. This paper aims to fulfill this need by proposing a semi-autonomous anomaly rule miner. The proposed method is applicable to both discrete and time series data and is tailored for radio access network (RAN) anomaly detection use cases. The proposed method is demonstrated in this paper with time series RAN data.
• Abstract（参考訳）: 多変量異常検出は多様な応用において重要である。 この問題を解決するための多くの検出器が存在するにもかかわらず、検出器によって推論された得られた異常がなぜ異常であるかを単純に定義することはできない。 この推論は、ネットワークオペレーターが異常の根本原因と、その発生に対処するために取るべき治療行動を理解するために必要である。 説明可能なAIの既存のソリューションは、異常に影響を与える機能に手がかりを与えるかもしれないが、ドメインの専門家が評価できる一般化可能なルールを定式化しない。 さらに、すべてのアウトリーチがビジネスの意味で異常であるわけではない。 多変量異常検知器によって予測される異常を解釈し、これらのパターンを実行可能なルールにマッピングできるシステムには、満たされていないニーズがある。 本稿では,半自律型ルールマイナの提案により,このニーズを満たすことを目的とする。 提案手法は離散データと時系列データの両方に適用可能であり,無線アクセスネットワーク(RAN)異常検出のユースケースに適合する。 本稿では,時系列RANデータを用いて提案手法を実証する。

関連論文リスト

• Can I trust my anomaly detection system? A case study based on explainable AI [0.4416503115535552]
  本稿では,変分自己エンコーダ生成モデルに基づく異常検出システムのロバスト性について検討する。 目標は、再構成の違いを利用する異常検知器の実際の性能について、異なる視点を得ることです。
  論文  参考訳（メタデータ） (2024-07-29T12:39:07Z)
• MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly Detection [124.52227588930543]
  教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。 不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。 非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。 我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
  論文  参考訳（メタデータ） (2023-08-29T13:38:35Z)
• 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)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• 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)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• A Contrario multi-scale anomaly detection method for industrial quality inspection [0.2578242050187029]
  コンボリューションにより得られた特徴写像に統計的解析を適用した画像中の異常を検出するためのコントロリオフレームワークを提案する。 提案手法はマルチスケールで完全に教師なしであり,様々なシナリオで異常を検出することができる。 この研究の最終的な目標は、自動車産業における革サンプルの微妙な欠陥を検出することであるが、同じアルゴリズムが公共の異常データセットで最先端の結果を達成することを示す。
  論文  参考訳（メタデータ） (2022-05-03T17:08:36Z)
• Anomaly Detection by Leveraging Incomplete Anomalous Knowledge with Anomaly-Aware Bidirectional GANs [15.399369134281775]
  異常検出の目標は、正常なサンプルから異常なサンプルを特定することである。 本稿では,少数の異常がトレーニング段階で利用可能であることが想定されているが,これらは複数の異常タイプからのみ収集されていると推定されている。 本稿では,通常のサンプルをモデル化するだけでなく,収集した異常に対して低密度値の割り当てを保証できる確率分布の学習を提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:12:49Z)
• 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)
• 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)
• 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)

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。