論文の概要: Adaptive Anomaly Detection in Evolving Network Environments

• arxiv url: http://arxiv.org/abs/2508.15100v1
• Date: Wed, 20 Aug 2025 22:31:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:46.112005
• Title: Adaptive Anomaly Detection in Evolving Network Environments
• Title（参考訳）: 進化するネットワーク環境における適応的異常検出
• Authors: Ehssan Mousavipour, Andrey Dimanchev, Majid Ghaderi,
• Abstract要約: 分布シフトは、ディープラーニングの異常検出システムにとって重要な課題である。 既存の異常検出システムは、しばしばこれらのシフトに適応するのに苦労する。 ネットワークデータにおける教師付き異常検出のためのフレームワークであるNetSightを導入し,分散シフトを継続的に検出し適応する。
• 参考スコア（独自算出の注目度）: 4.260312058817664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Distribution shift, a change in the statistical properties of data over time, poses a critical challenge for deep learning anomaly detection systems. Existing anomaly detection systems often struggle to adapt to these shifts. Specifically, systems based on supervised learning require costly manual labeling, while those based on unsupervised learning rely on clean data, which is difficult to obtain, for shift adaptation. Both of these requirements are challenging to meet in practice. In this paper, we introduce NetSight, a framework for supervised anomaly detection in network data that continually detects and adapts to distribution shifts in an online manner. NetSight eliminates manual intervention through a novel pseudo-labeling technique and uses a knowledge distillation-based adaptation strategy to prevent catastrophic forgetting. Evaluated on three long-term network datasets, NetSight demonstrates superior adaptation performance compared to state-of-the-art methods that rely on manual labeling, achieving F1-score improvements of up to 11.72%. This proves its robustness and effectiveness in dynamic networks that experience distribution shifts over time.
• Abstract（参考訳）: 時間とともにデータの統計的性質が変化する分散シフトは、ディープラーニングの異常検出システムにとって重要な課題である。 既存の異常検出システムは、しばしばこれらのシフトに適応するのに苦労する。 具体的には,教師なし学習に基づくシステムでは手作業によるラベリングが必要であり,教師なし学習に基づくシステムは手作業による適応が難しいクリーンなデータに頼っている。 これらの要件はどちらも,現実的に満たすことが難しいものです。 本稿では,ネットワークデータにおける教師付き異常検出のためのフレームワークであるNetSightについて紹介する。 NetSightは、新しい擬似ラベル技術による手作業による介入を排除し、破滅的な忘れを防止するために、知識蒸留に基づく適応戦略を使用する。 3つの長期ネットワークデータセットに基づいて評価されたNetSightは、手動ラベリングに依存する最先端の手法よりも優れた適応性能を示し、最大11.72%のF1スコア改善を実現している。 これは、時間とともに分散シフトを経験する動的ネットワークにおいて、その堅牢性と有効性を証明している。

関連論文リスト

• Channel-Selective Normalization for Label-Shift Robust Test-Time Adaptation [16.657929958093824]
  テスト時間適応は、推論中にモデルを新しいデータ分布に調整するアプローチである。 テスト時のバッチ正規化は、ドメインシフトベンチマークで魅力的なパフォーマンスを達成した、シンプルで一般的な方法である。 本稿では、ディープネットワークにおけるチャネルのみを選択的に適応させ、ラベルシフトに敏感な劇的な適応を最小化することで、この問題に対処することを提案する。
  論文  参考訳（メタデータ） (2024-02-07T15:41:01Z)
• Online Feature Updates Improve Online (Generalized) Label Shift Adaptation [51.328801874640675]
  オンライン特徴更新を用いたオンラインラベルシフト適応法(OLS-OFU)は,自己教師付き学習を利用して特徴抽出プロセスを洗練する。 アルゴリズムを慎重に設計することで、OLS-OFUは改善された特徴を考慮しつつ、文献の結果に類似したオンライン後悔の収束を維持している。
  論文  参考訳（メタデータ） (2024-02-05T22:03:25Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)

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。