論文の概要: Deep Learning Advancements in Anomaly Detection: A Comprehensive Survey

• arxiv url: http://arxiv.org/abs/2503.13195v1
• Date: Mon, 17 Mar 2025 14:04:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 15:59:20.362727
• Title: Deep Learning Advancements in Anomaly Detection: A Comprehensive Survey
• Title（参考訳）: 異常検出におけるディープラーニングの進歩 : 包括的調査
• Authors: Haoqi Huang, Ping Wang, Jianhua Pei, Jiacheng Wang, Shahen Alexanian, Dusit Niyato,
• Abstract要約: データセットが複雑化するにつれて、従来の異常検出手法は複雑なパターンを捉えるのに苦労する。 ディープラーニングにより、ADメソッドはより強力で適応可能になり、高次元および非構造化データを扱う能力が改善された。 このレビューは、既存の文献のギャップを埋め、深層学習を用いたAD技術の向上を目指す研究者や実践者にとって貴重な情報源となる。
• 参考スコア（独自算出の注目度）: 43.75849983150303
• License:
• Abstract: The rapid expansion of data from diverse sources has made anomaly detection (AD) increasingly essential for identifying unexpected observations that may signal system failures, security breaches, or fraud. As datasets become more complex and high-dimensional, traditional detection methods struggle to effectively capture intricate patterns. Advances in deep learning have made AD methods more powerful and adaptable, improving their ability to handle high-dimensional and unstructured data. This survey provides a comprehensive review of over 180 recent studies, focusing on deep learning-based AD techniques. We categorize and analyze these methods into reconstruction-based and prediction-based approaches, highlighting their effectiveness in modeling complex data distributions. Additionally, we explore the integration of traditional and deep learning methods, highlighting how hybrid approaches combine the interpretability of traditional techniques with the flexibility of deep learning to enhance detection accuracy and model transparency. Finally, we identify open issues and propose future research directions to advance the field of AD. This review bridges gaps in existing literature and serves as a valuable resource for researchers and practitioners seeking to enhance AD techniques using deep learning.
• Abstract（参考訳）: 多様なソースからのデータの急速な拡張により、システム障害やセキュリティ侵害、不正を知らせる予期せぬ観測を識別するために、異常検出(AD)がますます重要になっている。 データセットがより複雑で高次元になるにつれて、従来の検出手法は複雑なパターンを効果的に捉えるのに苦労する。 ディープラーニングの進歩により、ADメソッドはより強力で適応可能になり、高次元および非構造化データを扱う能力が改善された。 この調査は180以上の最近の研究を包括的にレビューし、ディープラーニングベースのAD技術に焦点を当てている。 本研究では,これらの手法を再構成に基づく手法と予測に基づく手法に分類,解析し,複雑なデータ分布をモデル化する上での有効性を強調した。 さらに、従来の手法と深層学習手法の統合について検討し、従来の手法の解釈可能性と深層学習の柔軟性を組み合わせ、検出精度を高め、透明性をモデル化する方法を強調した。 最後に,オープンな課題を特定し,AD分野の進展に向けた今後の研究方向を提案する。 このレビューは、既存の文献のギャップを埋め、深層学習を用いたAD技術の向上を目指す研究者や実践者にとって貴重な情報源となる。

関連論文リスト

• A Review Paper of the Effects of Distinct Modalities and ML Techniques to Distracted Driving Detection [3.6248657646376707]
  引き離された運転は、深刻な人的・経済的影響で重要な世界的課題である。 この体系的なレビューは、機械学習(ML)と深層学習(DL)技術を多種多様なデータモダリティに適用した包括的分析を提供することによって、重要なギャップに対処する。
  論文  参考訳（メタデータ） (2025-01-20T21:35:34Z)
• The Cat and Mouse Game: The Ongoing Arms Race Between Diffusion Models and Detection Methods [0.0]
  拡散モデルは合成メディア生成を変革し、未整合のリアリズムとコンテンツ生成の制御を提供する。 それらは、ディープフェイク、誤報、著作権のある素材の不正な複製を促進することができる。 これに対し, 効果的な検出機構の必要性が高まっている。
  論文  参考訳（メタデータ） (2024-10-24T15:51:04Z)
• Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
  水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。 近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
  論文  参考訳（メタデータ） (2024-10-08T00:25:33Z)
• Collaborative Knowledge Infusion for Low-resource Stance Detection [83.88515573352795]
  姿勢検出モデルを支援するために、ターゲット関連の知識がしばしば必要である。 低リソース姿勢検出タスクに対する協調的知識注入手法を提案する。
  論文  参考訳（メタデータ） (2024-03-28T08:32:14Z)
• Hyperspectral Image Analysis in Single-Modal and Multimodal setting using Deep Learning Techniques [1.2328446298523066]
  ハイパースペクトルイメージングは、その例外的なスペクトル分解能のため、土地利用とカバーの正確な分類を提供する。 しかし、高次元化と空間分解能の制限による課題は、その効果を妨げている。 本研究では,深層学習技術を用いて特徴を効率的に処理し,抽出し,データを統合的に分類することで,これらの課題に対処する。
  論文  参考訳（メタデータ） (2024-03-03T15:47:43Z)
• Effective Multi-Stage Training Model For Edge Computing Devices In Intrusion Detection [0.0]
  本研究は,3段階の訓練パラダイムを導入し,改良されたプルーニング手法とモデル圧縮手法により強化した。 目的はシステムの有効性を高めることであり、侵入検知のための高いレベルの精度を同時に維持することである。
  論文  参考訳（メタデータ） (2024-01-31T02:20:21Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• A Unifying Review of Deep and Shallow Anomaly Detection [38.202998314502786]
  我々は、様々な方法によって暗黙的に行われることの多い仮定と同様に、共通の根底にある原則を特定することを目的としている。 本稿では,最近の説明可能性技術を用いて,既存の主要な手法を実証的に評価する。 我々は、重要なオープン課題を概説し、異常検出における今後の研究の道筋を特定する。
  論文  参考訳（メタデータ） (2020-09-24T14:47:54Z)
• Anomalous Example Detection in Deep Learning: A Survey [98.2295889723002]
  本調査は,ディープラーニングアプリケーションにおける異常検出の研究について,構造化された包括的概要を提供する。 既存の技術に対する分類法を,その基礎となる前提と採用アプローチに基づいて提案する。 本稿では,DLシステムに異常検出技術を適用しながら未解決の研究課題を取り上げ,今後の課題について述べる。
  論文  参考訳（メタデータ） (2020-03-16T02:47:23Z)
• Survey of Network Intrusion Detection Methods from the Perspective of the Knowledge Discovery in Databases Process [63.75363908696257]
  本稿では,侵入検知器の開発を目的として,ネットワークデータに適用された手法について概説する。 本稿では,データのキャプチャ,準備,変換,データマイニング,評価などの手法について論じる。 この文献レビューの結果、ネットワークセキュリティ分野のさらなる研究のために考慮すべきいくつかのオープンな問題について検討する。
  論文  参考訳（メタデータ） (2020-01-27T11:21:05Z)

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。