論文の概要: ARES: Anomaly Recognition Model For Edge Streams

• arxiv url: http://arxiv.org/abs/2511.22078v1
• Date: Thu, 27 Nov 2025 03:56:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.383178
• Title: ARES: Anomaly Recognition Model For Edge Streams
• Title（参考訳）: ARES:エッジストリームの異常認識モデル
• Authors: Simone Mungari, Albert Bifet, Giuseppe Manco, Bernhard Pfahringer,
• Abstract要約: 本稿では,エッジストリームの教師なし異常検出フレームワークであるARESを紹介する。 ARESは、特徴抽出のためのグラフニューラルネットワーク(GNN)と、異常スコアのためのハーフスペースツリー(HST)を組み合わせる。 GNNは、ノードとエッジプロパティを潜在空間に埋め込むことで、ストリーム内のスパイクとバースト異常の両方の挙動をキャプチャし、一方HSTは、この空間を分割して、異常を効率的に分離する。
• 参考スコア（独自算出の注目度）: 15.767494189633133
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Many real-world scenarios involving streaming information can be represented as temporal graphs, where data flows through dynamic changes in edges over time. Anomaly detection in this context has the objective of identifying unusual temporal connections within the graph structure. Detecting edge anomalies in real time is crucial for mitigating potential risks. Unlike traditional anomaly detection, this task is particularly challenging due to concept drifts, large data volumes, and the need for real-time response. To face these challenges, we introduce ARES, an unsupervised anomaly detection framework for edge streams. ARES combines Graph Neural Networks (GNNs) for feature extraction with Half-Space Trees (HST) for anomaly scoring. GNNs capture both spike and burst anomalous behaviors within streams by embedding node and edge properties in a latent space, while HST partitions this space to isolate anomalies efficiently. ARES operates in an unsupervised way without the need for prior data labeling. To further validate its detection capabilities, we additionally incorporate a simple yet effective supervised thresholding mechanism. This approach leverages statistical dispersion among anomaly scores to determine the optimal threshold using a minimal set of labeled data, ensuring adaptability across different domains. We validate ARES through extensive evaluations across several real-world cyber-attack scenarios, comparing its performance against existing methods while analyzing its space and time complexity.
• Abstract（参考訳）: ストリーミング情報を含む現実的なシナリオの多くは、時間とともにエッジの動的変化を通じてデータが流れる時間グラフとして表現することができる。 この文脈における異常検出は、グラフ構造内の異常な時間的接続を特定することを目的としている。 エッジ異常をリアルタイムで検出することは潜在的なリスクを軽減するのに不可欠である。 従来の異常検出とは異なり、このタスクは特に、コンセプトドリフト、大規模なデータボリューム、リアルタイム応答の必要性のために困難である。 これらの課題に対処するために、エッジストリームのための教師なし異常検出フレームワークであるARESを紹介する。 ARESは、特徴抽出のためのグラフニューラルネットワーク(GNN)と、異常スコアのためのハーフスペースツリー(HST)を組み合わせる。 GNNは、ノードとエッジプロパティを潜在空間に埋め込むことで、ストリーム内のスパイクとバースト異常の両方の挙動をキャプチャし、一方HSTは、この空間を分割して、異常を効率的に分離する。 ARESは、事前のデータラベリングを必要とせずに、教師なしの方法で動作します。 さらに,検出能力を更に検証するため,簡易かつ効果的に制御されたしきい値設定機構を組み込んだ。 このアプローチは、異常スコア間の統計的分散を利用して、最小限のラベル付きデータを用いて最適なしきい値を決定する。 実世界のサイバー攻撃シナリオの広範な評価を通じてARESを検証し、その性能を既存の手法と比較し、その空間と時間の複雑さを分析した。

関連論文リスト

• Beyond Window-Based Detection: A Graph-Centric Framework for Discrete Log Anomaly Detection [35.817909860425026]
  離散ログ異常検出のためのグラフ中心のフレームワークであるTempoLogを提案する。 本手法は,事象レベルの異常検出における最先端性能を実現し,精度と効率の両面で既存手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-01-21T14:26:03Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Harnessing Contrastive Learning and Neural Transformation for Time Series Anomaly Detection [0.0]
  時系列異常検出(TSAD)は多くの産業応用において重要な役割を担っている。 コントラスト学習は、ラベルのないデータから意味のある表現を抽出する過程において、時系列領域で勢いを増している。 本研究では,学習可能な変換で強化されたウィンドウベースのコントラスト学習戦略を取り入れた新しいアプローチであるCNTを提案する。
  論文  参考訳（メタデータ） (2023-04-16T21:36:19Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• 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)
• Graph Convolutional Networks for traffic anomaly [4.172516437934823]
  イベント検出は輸送において重要なタスクであり、そのタスクは大規模なイベントが都市交通ネットワークの大部分を破壊した時点のポイントを検出することである。 空間的および時間的交通パターンを完全に把握することは課題であるが、効果的な異常検出には重要な役割を果たす。 我々は, 交通条件を表す有向重み付きグラフ群において, 時間間隔毎に異常を検知する新しい手法で問題を定式化する。
  論文  参考訳（メタデータ） (2020-12-25T22:36:22Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。