論文の概要: Contrastive Learning-Based Dependency Modeling for Anomaly Detection in Cloud Services
- arxiv url: http://arxiv.org/abs/2510.13368v1
- Date: Wed, 15 Oct 2025 09:59:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-16 20:13:28.613499
- Title: Contrastive Learning-Based Dependency Modeling for Anomaly Detection in Cloud Services
- Title（参考訳）: クラウドサービスにおける異常検出のためのコントラスト学習に基づく依存性モデリング
- Authors: Yue Xing, Yingnan Deng, Heyao Liu, Ming Wang, Yun Zi, Xiaoxuan Sun,
- Abstract要約: 本稿では,コントラスト学習を統合した依存性モデリングと異常検出手法を提案する。
対照的な学習フレームワークを導入し、正と負のサンプルペアを構築し、正常パターンと異常パターンの分離性を高める。
提案手法は、Precision、Recall、F1-Score、AUCといった主要なメトリクスにおいて、既存の手法よりも大幅に優れている。
- 参考スコア（独自算出の注目度）: 6.382793463325052
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper addresses the challenges of complex dependencies and diverse anomaly patterns in cloud service environments by proposing a dependency modeling and anomaly detection method that integrates contrastive learning. The method abstracts service interactions into a dependency graph, extracts temporal and structural features through embedding functions, and employs a graph convolution mechanism to aggregate neighborhood information for context-aware service representations. A contrastive learning framework is then introduced, constructing positive and negative sample pairs to enhance the separability of normal and abnormal patterns in the representation space. Furthermore, a temporal consistency constraint is designed to maintain representation stability across time steps and reduce the impact of short-term fluctuations and noise. The overall optimization combines contrastive loss and temporal consistency loss to ensure stable and reliable detection across multi-dimensional features. Experiments on public datasets systematically evaluate the method from hyperparameter, environmental, and data sensitivity perspectives. Results show that the proposed approach significantly outperforms existing methods on key metrics such as Precision, Recall, F1-Score, and AUC, while maintaining robustness under conditions of sparse labeling, monitoring noise, and traffic fluctuations. This study verifies the effectiveness of integrating dependency modeling with contrastive learning, provides a complete technical solution for cloud service anomaly detection, and demonstrates strong adaptability and stability in complex environments.
- Abstract（参考訳）: 本稿では、コントラスト学習を統合した依存関係モデリングと異常検出手法を提案することによって、クラウドサービス環境における複雑な依存関係と多様な異常パターンの課題に対処する。
本手法は,サービス間相互作用を依存グラフに抽象化し,埋め込み機能を通じて時間的・構造的特徴を抽出し,コンテキスト認識型サービス表現に周辺情報を集約するグラフ畳み込み機構を用いる。
対照的な学習フレームワークを導入し、正と負のサンプルペアを構築し、表現空間における正規パターンと異常パターンの分離性を高める。
さらに、時間的一貫性の制約は、時間ステップ間の表現安定性を維持し、短期的なゆらぎやノイズの影響を低減するように設計されている。
全体的な最適化は、対照的な損失と時間的一貫性の損失を組み合わせることで、多次元の特徴をまたいだ安定かつ確実な検出を確実にする。
公開データセットの実験は、ハイパーパラメータ、環境、データ感度の観点から手法を体系的に評価する。
その結果,提案手法は,スパースラベリング,監視ノイズ,交通変動といった条件下でのロバスト性を維持しつつ,精度,リコール,F1スコア,AUCといった重要な指標における既存手法よりも有意に優れていた。
本研究は、依存関係モデリングと対照的な学習の統合の有効性を検証し、クラウドサービス異常検出のための完全な技術的ソリューションを提供し、複雑な環境における強力な適応性と安定性を実証する。
関連論文リスト
- Artificial Intelligence-Based Multiscale Temporal Modeling for Anomaly Detection in Cloud Services [10.421371572062595]
本研究では,マルチスケール特徴認識を統合したTransformerアーキテクチャに基づく異常検出手法を提案する。
提案手法は,精度,リコール,AUC,F1スコアなどの主要な指標において,主流のベースラインモデルより優れている。
論文 参考訳（メタデータ） (2025-08-20T07:52:36Z) - Federated Anomaly Detection for Multi-Tenant Cloud Platforms with Personalized Modeling [6.028943403943345]
本稿では,マルチテナントクラウド環境における重要な課題に対処するために,フェデレーション学習に基づく異常検出手法を提案する。
グローバルモデルは最適化されており、データのプライバシを保持しながら、テナント間の協調的異常検出を可能にする。
実験では、クラウドプラットフォームからの実際のテレメトリデータを使用して、シミュレーションされたマルチテナント環境を構築する。
論文 参考訳（メタデータ） (2025-08-14T00:46:24Z) - Graph Neural Network and Transformer Integration for Unsupervised System Anomaly Discovery [14.982273490507986]
本研究では,分散バックエンドサービスシステムを対象とした教師なし異常検出手法を提案する。
複雑な構造的依存関係、多様な振る舞いの進化、ラベル付きデータの欠如といった現実的な課題に対処する。
その結果,提案手法はいくつかの重要な指標において既存モデルよりも優れていることがわかった。
論文 参考訳（メタデータ） (2025-08-13T00:35:58Z) - Multiresolution Analysis and Statistical Thresholding on Dynamic Networks [49.09073800467438]
ANIE(Adaptive Network Intensity Estimation)は、ネットワーク構造が進化する時間スケールを自動的に識別する多段階フレームワークである。
ANIEは適切な時間分解能に適応し、ノイズに頑健でありながら鋭い構造変化を捉えることができることを示す。
論文 参考訳（メタデータ） (2025-06-01T22:55:55Z) - A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。
工業画像から抽出した55個の特徴を統計的手法を用いて解析した。
これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
論文 参考訳（メタデータ） (2024-12-11T22:12:21Z) - The Risk of Federated Learning to Skew Fine-Tuning Features and
Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。
3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。
提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文 参考訳（メタデータ） (2024-01-25T09:18:51Z) - Learning Prompt-Enhanced Context Features for Weakly-Supervised Video
Anomaly Detection [37.99031842449251]
弱い監督下での映像異常検出は重大な課題を呈する。
本稿では,効率的なコンテキストモデリングとセマンティック識別性の向上に焦点をあてた,弱教師付き異常検出フレームワークを提案する。
提案手法は,特定の異常なサブクラスの検出精度を大幅に向上させ,その実用的価値と有効性を裏付けるものである。
論文 参考訳（メタデータ） (2023-06-26T06:45:16Z) - Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。
実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
論文 参考訳（メタデータ） (2020-07-30T05:48:48Z) - Dynamic Federated Learning [57.14673504239551]
フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。
我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。
集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
論文 参考訳（メタデータ） (2020-02-20T15:00:54Z)
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。