論文の概要: Swift Hydra: Self-Reinforcing Generative Framework for Anomaly Detection with Multiple Mamba Models
- arxiv url: http://arxiv.org/abs/2503.06413v2
- Date: Tue, 25 Mar 2025 02:53:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-26 16:52:59.371147
- Title: Swift Hydra: Self-Reinforcing Generative Framework for Anomaly Detection with Multiple Mamba Models
- Title(参考訳): Swift Hydra: 複数のマンバモデルによる異常検出のための自己強化生成フレームワーク
- Authors: Nguyen Do, Truc Nguyen, Malik Hassanaly, Raed Alharbi, Jung Taek Seo, My T. Thai,
- Abstract要約: 本稿では、生成AIと強化学習(RL)に基づく異常検出手法をトレーニングする新しいフレームワークであるSwift Hydraを紹介する。
このフレームワークは、生成モデルの潜伏変数で動作するRLポリシーを特徴とし、検出モデルをバイパスできる新規で多様な異常サンプルを合成する。
Swift Hydraには、Mixture of Experts(MoE)として構造化されたMambaモデルも組み込まれている。
- 参考スコア(独自算出の注目度): 12.88243863886685
- License:
- Abstract: Despite a plethora of anomaly detection models developed over the years, their ability to generalize to unseen anomalies remains an issue, particularly in critical systems. This paper aims to address this challenge by introducing Swift Hydra, a new framework for training an anomaly detection method based on generative AI and reinforcement learning (RL). Through featuring an RL policy that operates on the latent variables of a generative model, the framework synthesizes novel and diverse anomaly samples that are capable of bypassing a detection model. These generated synthetic samples are, in turn, used to augment the detection model, further improving its ability to handle challenging anomalies. Swift Hydra also incorporates Mamba models structured as a Mixture of Experts (MoE) to enable scalable adaptation of the number of Mamba experts based on data complexity, effectively capturing diverse feature distributions without increasing the model's inference time. Empirical evaluations on ADBench benchmark demonstrate that Swift Hydra outperforms other state-of-the-art anomaly detection models while maintaining a relatively short inference time. From these results, our research highlights a new and auspicious paradigm of integrating RL and generative AI for advancing anomaly detection.
- Abstract(参考訳): 長年にわたり多くの異常検出モデルが開発されてきたが、特に臨界系では、その異常発見を一般化する能力が問題となっている。
本稿では,生成型AIと強化学習(RL)に基づく異常検出手法をトレーニングする新たなフレームワークであるSwift Hydraを導入することで,この問題に対処することを目的とする。
このフレームワークは、生成モデルの潜伏変数で動作するRLポリシーを特徴とし、検出モデルをバイパスできる新規で多様な異常サンプルを合成する。
これらの合成サンプルは、代わりに検出モデルを強化するために使用され、挑戦的な異常に対処する能力をさらに向上する。
Swift Hydraはまた、MambaモデルをMixture of Experts(MoE)として構成し、データ複雑性に基づいてMamba専門家の数をスケーラブルに適応できるようにする。
ADBenchベンチマークでの実証的な評価は、Swift Hydraが比較的短い推論時間を維持しながら、他の最先端の異常検出モデルよりも優れていることを示している。
これらの結果から,RLと生成AIを統合して異常検出を推し進める新たなパラダイムが注目されている。
関連論文リスト
- GenIAS: Generator for Instantiating Anomalies in time Series [54.959865643340535]
可変オートエンコーダを用いた時系列異常検出(TSAD)のための生成モデルを開発した。
GenIASはTSADタスクのための多種多様な現実的な合成異常を生成するように設計されている。
実験の結果,GenIASは従来型および深部異常検出モデル17より一貫して優れていた。
論文 参考訳(メタデータ) (2025-02-12T10:10:04Z) - Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [58.60915132222421]
本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。
フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。
設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
論文 参考訳(メタデータ) (2024-08-23T01:53:36Z) - Synthetic outlier generation for anomaly detection in autonomous driving [1.0989593035411862]
異常検出は、確立されたパターンや大部分のデータから著しく逸脱したインスタンスを特定するために重要である。
本研究では,異常検出モジュールを用いた画像意味セグメンテーションモデルの訓練方法について検討する。
最先端DenseHybridモデルのトレーニング段階に改良を加えることで,異常検出における大幅な性能向上を実現した。
論文 参考訳(メタデータ) (2023-08-04T07:55:32Z) - Time Series Anomaly Detection via Reinforcement Learning-Based Model
Selection [3.1692938090731584]
時系列異常検出は、実世界のシステムの信頼性と効率的な運用において重要である。
本研究では、異常検出モデルのプールがアクセス可能であると仮定し、強化学習を利用して候補モデルを動的に選択することを提案する。
提案手法は,全体の性能において,すべてのベースラインモデルより優れていることを示す。
論文 参考訳(メタデータ) (2022-05-19T22:10:35Z) - Ensemble neuroevolution based approach for multivariate time series
anomaly detection [0.0]
本研究では、新しいモデルやすでに知られているモデルの異常検出スコアを高めるために、神経進化手法を組み込んだフレームワークを示す。
提案フレームワークは, 異常検出深層学習モデルの大部分を, 適切な時間と完全自動モードで向上させることが可能であることを示す。
論文 参考訳(メタデータ) (2021-08-08T07:55:07Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳(メタデータ) (2021-02-02T06:15:15Z) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳(メタデータ) (2020-10-29T08:27:43Z) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2020-03-24T08:26:58Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳(メタデータ) (2020-03-11T00:22:50Z)
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。