論文の概要: Searching for a Hidden Markov Anomaly over Multiple Processes

• arxiv url: http://arxiv.org/abs/2506.17108v1
• Date: Fri, 20 Jun 2025 16:10:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.52844
• Title: Searching for a Hidden Markov Anomaly over Multiple Processes
• Title（参考訳）: 複数のプロセスにおける隠れマルコフ異常の探索
• Authors: Levli Citron, Kobi Cohen, Qing Zhao,
• Abstract要約: 隠れマルコフモデル(ADHM)に基づく異常検出という新しいアルゴリズムを提案する。 ADHMは、蓄積された統計的証拠と隠れた国家に対する信条の更新に基づく調査戦略に適応する。 これは、広範囲なシミュレーションにおいて、既存の手法よりも一貫して優れている。
• 参考スコア（独自算出の注目度）: 13.582085518282849
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We address the problem of detecting an anomalous process among a large number of processes. At each time t, normal processes are in state zero (normal state), while the abnormal process may be in either state zero (normal state) or state one (abnormal state), with the states being hidden. The transition between states for the abnormal process is governed by a Markov chain over time. At each time step, observations can be drawn from a selected subset of processes. Each probed process generates an observation depending on its hidden state, either a typical distribution under state zero or an abnormal distribution under state one. The objective is to design a sequential search strategy that minimizes the expected detection time, subject to an error probability constraint. In contrast to prior works that assume i.i.d. observations, we address a new setting where anomalies evolve according to a hidden Markov model. To this end, we propose a novel algorithm, dubbed Anomaly Detection under Hidden Markov model (ADHM), which dynamically adapts the probing strategy based on accumulated statistical evidence and predictive belief updates over hidden states. ADHM effectively leverages temporal correlations to focus sensing resources on the most informative processes. The algorithm is supported by an asymptotic theoretical foundation, grounded in an oracle analysis that characterizes the fundamental limits of detection under the assumption of a known distribution of the hidden states. In addition, the algorithm demonstrates strong empirical performance, consistently outperforming existing methods in extensive simulations.
• Abstract（参考訳）: 本稿では,多数のプロセス間で異常なプロセスを検出する問題に対処する。 t の度に、通常のプロセスは状態 0 (正規状態) にあり、異常プロセスは状態 0 (正規状態) または状態 1 (異常状態) のいずれかにあり、状態は隠されている。 異常な過程の状態間の遷移は、時間の経過とともにマルコフ連鎖によって支配される。 各ステップで、選択されたプロセスのサブセットから観察を引き出すことができる。 各プローブプロセスは、その隠れた状態、状態 0 の典型的な分布または状態 1 の異常な分布に依存する観測を生成する。 本研究の目的は,予測検出時間を最小限に抑えるシーケンシャルな探索戦略を,誤差確率制約の下で設計することである。 観測を仮定する先行研究とは対照的に、隠れマルコフモデルに従って異常が進化する新しい環境に対処する。 そこで本研究では,隠れマルコフモデル(ADHM)に基づく異常検出アルゴリズムを提案する。 ADHMは、時間的相関を効果的に活用し、最も情報性の高いプロセスにセンサーリソースを集中させる。 このアルゴリズムは、隠蔽状態の既知の分布の仮定の下で検出の基本的な限界を特徴づけるオラクル分析に基づく漸近的理論基盤によって支持されている。 さらに、このアルゴリズムは経験的性能を強く示し、広範囲なシミュレーションにおいて既存の手法を一貫して上回っている。

関連論文リスト

• Asymptotically Optimal Search for a Change Point Anomaly under a Composite Hypothesis Model [10.514231683620517]
  有限個のM過程の異常過程における変化点探索の問題に対処する。 我々のゴールは、サンプルの複雑さと検出精度のバランスをとることでベイズリスクを最小限に抑えるシーケンシャルな探索戦略を設計することである。
  論文  参考訳（メタデータ） (2024-12-27T00:44:34Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Don't Miss Out on Novelty: Importance of Novel Features for Deep Anomaly Detection [64.21963650519312]
  異常検出(AD)は、正規性の学習モデルに適合しない観察を識別する重要なタスクである。 本稿では, 入力空間における説明不能な観測として, 説明可能性を用いた新しいAD手法を提案する。 当社のアプローチでは,複数のベンチマークにまたがる新たな最先端性を確立し,さまざまな異常な型を扱う。
  論文  参考訳（メタデータ） (2023-10-01T21:24:05Z)
• Multimodal Motion Conditioned Diffusion Model for Skeleton-based Video Anomaly Detection [46.8584162860564]
  ビデオ異常検出(VAD)のための新しい生成モデルを提案する。 我々は、骨格表現を考察し、最先端拡散確率モデルを用いて、多モーダルな未来の人間のポーズを生成する。 4つの確立されたベンチマークでモデルを検証します。
  論文  参考訳（メタデータ） (2023-07-14T07:42:45Z)
• Temporal Detection of Anomalies via Actor-Critic Based Controlled Sensing [31.841289319809807]
  我々は、バイナリプロセスの集合を監視し、それらの中の異常数がしきい値を超えた場合に警告を生成する問題に対処する。 このため、意思決定者はプロセスのサブセットを選択して調査し、それらの状態のノイズの多い推定値を取得する。 後続確率を用いてマルコフ決定プロセスを構築し,それを解決する。
  論文  参考訳（メタデータ） (2022-01-03T20:59:40Z)
• Scalable and Decentralized Algorithms for Anomaly Detection via Learning-Based Controlled Sensing [40.14838268469627]
  本研究では,ある時刻に観測対象のプロセスを選択する異常検出アルゴリズムを開発した。 検出アルゴリズムの目的は、所望値を超える精度で異常を識別することである。
  論文  参考訳（メタデータ） (2021-12-08T11:20:36Z)
• A Scalable Algorithm for Anomaly Detection via Learning-Based Controlled Sensing [37.78306297797]
  本研究では,ある時刻に観測対象のプロセスを選択する異常検出アルゴリズムを開発した。 検出アルゴリズムの目的は、所望の値を超える精度で決定に到達することである。 プロセス数に指数関数的複雑性を持つこのトピックの以前の作業とは異なり、このアルゴリズムはプロセス数の両方に計算とメモリを必要とする。
  論文  参考訳（メタデータ） (2021-05-12T17:46:01Z)
• Optimal Sequential Detection of Signals with Unknown Appearance and Disappearance Points in Time [64.26593350748401]
  本論文は、変化の期間が有限で未知であると仮定して、逐次的な変化点検出問題に対処する。 我々は、所定の時間(または空間)ウィンドウにおける最小検出確率を最大化する信頼性の高い最大変更検出基準に焦点を当てる。 FMAアルゴリズムは、光学画像中の衛星のかすかなストリークを検出するために応用される。
  論文  参考訳（メタデータ） (2021-02-02T04:58:57Z)

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。