論文の概要: Hypergraph-Guided Regex Filter Synthesis for Event-Based Anomaly Detection

• arxiv url: http://arxiv.org/abs/2509.06911v1
• Date: Mon, 08 Sep 2025 17:25:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:04.28618
• Title: Hypergraph-Guided Regex Filter Synthesis for Event-Based Anomaly Detection
• Title（参考訳）: イベントベース異常検出のためのハイパーグラフ誘導レグレックスフィルタ合成
• Authors: Margarida Ferreira, Victor Nicolet, Luan Pham, Joey Dodds, Daniel Kroening, Ines Lynce, Ruben Martins,
• Abstract要約: イベントデータをモデル化する解釈可能なパターンの集合を自動的に構築する新しいアルゴリズムであるHyGLADを提案する。 このアルゴリズムは、イベントから観察された同様の振る舞いを持つエンティティの等価クラスを推論し、それらのエンティティの値をキャプチャする正規表現を構築する。 我々は,現実世界のシステムから得られた5つのデータセット上で,DeepODの7つの教師なし異常検出手法に対してHyGLADを評価した。
• 参考スコア（独自算出の注目度）: 5.717753605474312
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We propose HyGLAD, a novel algorithm that automatically builds a set of interpretable patterns that model event data. These patterns can then be used to detect event-based anomalies in a stationary system, where any deviation from past behavior may indicate malicious activity. The algorithm infers equivalence classes of entities with similar behavior observed from the events, and then builds regular expressions that capture the values of those entities. As opposed to deep-learning approaches, the regular expressions are directly interpretable, which also translates to interpretable anomalies. We evaluate HyGLAD against all 7 unsupervised anomaly detection methods from DeepOD on five datasets from real-world systems. The experimental results show that on average HyGLAD outperforms existing deep-learning methods while being an order of magnitude more efficient in training and inference (single CPU vs GPU). Precision improved by 1.2x and recall by 1.3x compared to the second-best baseline.
• Abstract（参考訳）: イベントデータをモデル化する解釈可能なパターンの集合を自動的に構築する新しいアルゴリズムであるHyGLADを提案する。 これらのパターンは、過去の行動からの逸脱が悪意のある活動を示す可能性のある定常系のイベントベースの異常を検出するために使用される。 このアルゴリズムは、イベントから観察された同様の振る舞いを持つエンティティの等価クラスを推論し、それらのエンティティの値をキャプチャする正規表現を構築する。 ディープラーニングのアプローチとは対照的に、正規表現は直接解釈可能である。 我々は,現実世界のシステムから得られた5つのデータセット上で,DeepODの7つの教師なし異常検出手法に対してHyGLADを評価した。 実験結果から,HyGLADは既存のディープラーニング手法より優れており,トレーニングや推論(CPUとGPUの2つ)において,桁違いに効率的であることがわかった。 精度は1.2倍、リコールは2番目に高いベースラインに比べて1.3倍向上した。

関連論文リスト

• Deep evolving semi-supervised anomaly detection [14.027613461156864]
  本研究の目的は,連続的半教師付き異常検出(CSAD)のタスクを形式化することである。 本稿では,半教師付きデータを扱うための変分オートエンコーダ(VAE)のベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2024-12-01T15:48:37Z)
• Unsupervised Event Outlier Detection in Continuous Time [4.375463200687156]
  我々は、我々の知る限り、異常事象を検出するための最初の教師なし外乱検出手法を開発した。 我々は、実際のデータから修正されたデータを識別する'ディスクリミネータ'を用いて、データの異常値を補正する'ジェネレータ'を訓練する。 実験結果から,本手法は最先端手法よりも高精度にイベント異常を検出できることが示唆された。
  論文  参考訳（メタデータ） (2024-11-25T14:29:39Z)
• Deep Contrastive One-Class Time Series Anomaly Detection [15.27593816198766]
  時系列の逆1クラス異常検出法(COCA)を著者らにより提案する。 元の表現と再構成された表現を、正対の負サンプルのないCL、すなわち「シーケンスコントラスト」として扱う。
  論文  参考訳（メタデータ） (2022-07-04T15:08:06Z)
• 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)
• Self-Trained One-class Classification for Unsupervised Anomaly Detection [56.35424872736276]
  異常検出(AD)は、製造から医療まで、さまざまな分野に応用されている。 本研究は、トレーニングデータ全体がラベル付けされておらず、正規サンプルと異常サンプルの両方を含む可能性のある、教師なしAD問題に焦点を当てる。 この問題に対処するため,データリファインメントによる堅牢な一級分類フレームワークを構築した。 本手法は6.3AUCと12.5AUCの平均精度で最先端の1クラス分類法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-11T01:36:08Z)
• DASVDD: Deep Autoencoding Support Vector Data Descriptor for Anomaly Detection [9.19194451963411]
  半教師付き異常検出は、通常のデータに基づいて訓練されたモデルを用いて、通常のサンプルから異常を検出することを目的としている。 本稿では,自己エンコーダのパラメータを協調的に学習する手法であるDASVDDを提案する。
  論文  参考訳（メタデータ） (2021-06-09T21:57:41Z)
• RLAD: Time Series Anomaly Detection through Reinforcement Learning and Active Learning [17.089402177923297]
  新しい半監視型時系列異常検出アルゴリズムを紹介します。 深層強化学習とアクティブラーニングを使用して、実世界の時系列データの異常を効率的に学習し、適応する。 パラメータを手動でチューニングする必要はなく、比較するすべての最先端のメソッドを上回ります。
  論文  参考訳（メタデータ） (2021-03-31T15:21:15Z)

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。