Fugu-MT 論文翻訳(概要): Signatures to help interpretability of anomalies

論文の概要: Signatures to help interpretability of anomalies

arxiv url: http://arxiv.org/abs/2506.16314v1
Date: Thu, 19 Jun 2025 13:40:05 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-23 19:00:05.09274
Title: Signatures to help interpretability of anomalies
Title（参考訳）: 異常の解釈を支援する署名
Authors: Emmanuel Gangler, Emille E. O. Ishida, Matwey V. Kornilov, Vladimir Korolev, Anastasia Lavrukhina, Konstantin Malanchev, Maria V. Pruzhinskaya, Etienne Russeil, Timofey Semenikhin, Sreevarsha Sreejith, Alina A. Volnova,
Abstract要約: 機械学習は、アウトプットを理解するという意味では、意思決定やスコアのように、ブラックボックスと見なされることが多い。本稿では,この決定にどの特徴が寄与したかを強調することによって,異常の解釈を支援することを目的とした,異常シグネチャのアイデアを紹介する。
参考スコア（独自算出の注目度）: 0.981937495272719
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Machine learning is often viewed as a black box when it comes to understanding its output, be it a decision or a score. Automatic anomaly detection is no exception to this rule, and quite often the astronomer is left to independently analyze the data in order to understand why a given event is tagged as an anomaly. We introduce here idea of anomaly signature, whose aim is to help the interpretability of anomalies by highlighting which features contributed to the decision.
Abstract（参考訳）: 機械学習は、アウトプットを理解するという意味では、意思決定やスコアのように、ブラックボックスと見なされることが多い。自動異常検出はこの規則に例外はなく、しばしば天文学者は、ある事象が異常としてタグ付けされている理由を理解するために、独立してデータを解析する。本稿では,この決定にどの特徴が寄与したかを強調することによって,異常の解釈を支援することを目的とした,異常シグネチャのアイデアを紹介する。

関連論文リスト

Active Rule Mining for Multivariate Anomaly Detection in Radio Access Networks [0.18416014644193066]
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。
論文参考訳（メタデータ） (2025-01-11T15:42:25Z)
Anomaly Detection by Context Contrasting [57.695202846009714]
異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。我々はコンテキスト拡張を通じて学習するCon$を提案する。
論文参考訳（メタデータ） (2024-05-29T07:59:06Z)
Progressing from Anomaly Detection to Automated Log Labeling and Pioneering Root Cause Analysis [53.24804865821692]
本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
論文参考訳（メタデータ） (2023-12-22T15:04:20Z)
Towards Self-Interpretable Graph-Level Anomaly Detection [73.1152604947837]
グラフレベルの異常検出(GLAD)は、コレクションの大多数と比べて顕著な相違を示すグラフを識別することを目的としている。本稿では,異常なグラフを検出し,同時に情報的説明を生成する自己解釈グラフaNomaly dETectionモデル(SIGNET)を提案する。
論文参考訳（メタデータ） (2023-10-25T10:10:07Z)
Decoupling anomaly discrimination and representation learning: self-supervised learning for anomaly detection on attributed graph [18.753970895946814]
DSLADは、異常検出のために分離された異常識別と表現学習を備えた自己教師型手法である。さまざまな6つのベンチマークデータセットで実施された実験は、DSLADの有効性を明らかにしている。
論文参考訳（メタデータ） (2023-04-11T12:23:40Z)
SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
異常検出は、機械学習の基本的な問題であるが、難しい問題である。本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
論文参考訳（メタデータ） (2021-11-25T03:53:43Z)
Variation and generality in encoding of syntactic anomaly information in sentence embeddings [7.132368785057315]
文中の異常が発生する階層レベルが異なる探索タスクを設計することにより、異常符号化の微妙な相違について検討する。我々は、与えられた異常を検出するモデルだけでなく、検出された異常信号の一般性もテストする。その結果、全てのモデルが異常検出をサポートする情報を符号化しているが、検出性能は異常毎に異なることが示唆された。
論文参考訳（メタデータ） (2021-11-12T10:23:43Z)
X-MAN: Explaining multiple sources of anomalies in video [25.929134751869032]
ビデオ中の異常を検出するのに適した解釈可能な特徴表現を構築する方法を示す。また,その応答の背後にある理由を記述可能な,解釈可能な確率的異常検出器を提案する。提案手法は,公開データセット上の技術状況とよく競合する。
論文参考訳（メタデータ） (2021-06-16T15:25:50Z)
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)
Root Cause Detection Among Anomalous Time Series Using Temporal State Alignment [0.0]
本稿では,時系列変動のパターンを解析することにより,異常の根本原因を抽出する手法を提案する。この考え方は、問題が不整合であるが、基底状態の均質なシフトを引き起こすときの効果の伝播を追跡することである。そこで我々は,Zillows クリックストリームデータにおける異常の根本原因を,観測された変動の集合の中の因果パターンを同定することにより評価した。
論文参考訳（メタデータ） (2020-01-04T08:31:34Z)
Deep Weakly-supervised Anomaly Detection [118.55172352231381]
ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。 PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。 12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
論文参考訳（メタデータ） (2019-10-30T00:40:25Z)

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。