論文の概要: Refining Decision Boundaries In Anomaly Detection Using Similarity Search Within the Feature Space

• arxiv url: http://arxiv.org/abs/2602.02925v1
• Date: Mon, 02 Feb 2026 23:55:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.144552
• Title: Refining Decision Boundaries In Anomaly Detection Using Similarity Search Within the Feature Space
• Title（参考訳）: 特徴空間内類似性探索を用いた異常検出における決定境界の精細化
• Authors: Sidahmed Benabderrahmane, Petko Valtchev, James Cheney, Talal Rahwan,
• Abstract要約: SDA2E(Sparse Dual Adversarial Attention-based AutoEncoder)を導入する。 本稿では,意思決定境界を効率的に洗練するための3つの新しい戦略を統合した類似性誘導型アクティブラーニングフレームワークを提案する。 SDA2Eは、複数のDARPAトランスペアレントコンピューティングシナリオを含む52の不均衡データセットにわたって広範囲に評価し、15の最先端の異常検出手法と比較した。
• 参考スコア（独自算出の注目度）: 3.3202103799131795
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Detecting rare and diverse anomalies in highly imbalanced datasets-such as Advanced Persistent Threats (APTs) in cybersecurity-remains a fundamental challenge for machine learning systems. Active learning offers a promising direction by strategically querying an oracle to minimize labeling effort, yet conventional approaches often fail to exploit the intrinsic geometric structure of the feature space for model refinement. In this paper, we introduce SDA2E, a Sparse Dual Adversarial Attention-based AutoEncoder designed to learn compact and discriminative latent representations from imbalanced, high-dimensional data. We further propose a similarity-guided active learning framework that integrates three novel strategies to refine decision boundaries efficiently: mormal-like expansion, which enriches the training set with points similar to labeled normals to improve reconstruction fidelity; anomaly-like prioritization, which boosts ranking accuracy by focusing on points resembling known anomalies; and a hybrid strategy that combines both for balanced model refinement and ranking. A key component of our framework is a new similarity measure, Normalized Matching 1s (SIM_NM1), tailored for sparse binary embeddings. We evaluate SDA2E extensively across 52 imbalanced datasets, including multiple DARPA Transparent Computing scenarios, and benchmark it against 15 state-of-the-art anomaly detection methods. Results demonstrate that SDA2E consistently achieves superior ranking performance (nDCG up to 1.0 in several cases) while reducing the required labeled data by up to 80% compared to passive training. Statistical tests confirm the significance of these improvements. Our work establishes a robust, efficient, and statistically validated framework for anomaly detection that is particularly suited to cybersecurity applications such as APT detection.
• Abstract（参考訳）: サイバーセキュリティにおけるAdvanced Persistent Threats(APT)のような、高度にバランスの取れないデータセットにおけるまれで多様な異常を検出することは、機械学習システムにおける根本的な課題である。 アクティブラーニングは、ラベリングの労力を最小限に抑えるためにオラクルに戦略的に問い合わせることによって、有望な方向を提供するが、従来のアプローチでは、モデル洗練のための特徴空間の固有の幾何学的構造を活用できないことが多い。 本稿では,SDA2E(Sparse Dual Adversarial Attention-based AutoEncoder)を紹介する。 さらに,3つの新しい戦略を統合して意思決定境界を効率的に洗練する類似性指導型アクティブラーニングフレームワークを提案する。これは,ラベル付き正規に類似した点のトレーニングセットを豊かにし,再構成忠実度を改善するためのモーマル様拡張,既知の異常に類似した点に着目してランキングの精度を高める異常様優先順位付け,バランスの取れたモデルの洗練とランク付けを両立させるハイブリッド戦略である。 我々のフレームワークの重要な構成要素は、疎二元埋め込みに適した新しい類似度尺度である正規化マッチング1s(SIM_NM1)である。 SDA2Eは、複数のDARPAトランスペアレントコンピューティングシナリオを含む52の不均衡データセットにわたって広範囲に評価し、15の最先端の異常検出手法と比較した。 その結果、SDA2Eは、受動的トレーニングと比較して、必要なラベル付きデータを最大80%削減しつつ、常に優れたランク付け性能(nDCGが1.0まで)を達成することが示された。 統計検査はこれらの改善の重要性を裏付けるものである。 我々の研究は、APT検出などのサイバーセキュリティアプリケーションに特に適した、堅牢で効率的で統計的に検証された、異常検出のためのフレームワークを確立する。

関連論文リスト

• Ranking-Enhanced Anomaly Detection Using Active Learning-Assisted Attention Adversarial Dual AutoEncoders [2.66360535985053]
  Advanced Persistent Threats(APT)は、そのステルス性と長期的な性質から、サイバーセキュリティにおいて重要な課題となっている。 現代の教師付き学習手法は、しばしば現実世界のサイバーセキュリティ環境において不足する広範囲なラベル付きデータを必要とする。 本稿では,教師なし異常検出にAutoEncodersを活用する革新的な手法を提案する。
  論文  参考訳（メタデータ） (2025-11-25T16:42:12Z)
• Registration is a Powerful Rotation-Invariance Learner for 3D Anomaly Detection [64.0168648353038]
  ポイントクラウドデータにおける3次元異常検出は、高い信頼性で構造欠陥を特定することを目的として、産業品質管理に不可欠である。 現在のメモリバンクベースの手法は、しばしば一貫性のない特徴変換と限定的な識別能力に悩まされる。 本稿では、ポイントクラウド登録とメモリベース異常検出の目的を統合した、登録による回転不変の特徴抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-19T14:56:38Z)
• Adversarial Augmentation and Active Sampling for Robust Cyber Anomaly Detection [1.102914654802229]
  Advanced Persistent Threats (APTs)は、そのステルスで長期にわたる性質のために、サイバーセキュリティにかなり挑戦している。 従来の教師付き学習手法は、通常大量のラベル付きデータを必要とする。 本稿では,自動エンコーダによる異常検出と能動的学習を組み合わせて,APT検出を反復的に向上する手法を提案する。
  論文  参考訳（メタデータ） (2025-09-05T10:47:49Z)
• Metric Matters: A Formal Evaluation of Similarity Measures in Active Learning for Cyber Threat Intelligence [1.102914654802229]
  Advanced Persistent Threats (APT) は、サイバー防衛に深刻な課題をもたらす。 本稿では,新しい能動的学習に基づく異常検出フレームワークを提案する。 提案手法では, 特徴空間の類似性を利用して, 正常なインスタンスと異常なインスタンスを識別する。
  論文  参考訳（メタデータ） (2025-08-26T13:34:30Z)
• DRTA: Dynamic Reward Scaling for Reinforcement Learning in Time Series Anomaly Detection [7.185726339205792]
  時系列データの異常検出は、ファイナンス、ヘルスケア、センサーネットワーク、産業監視におけるアプリケーションにとって重要である。 本稿では,動的報酬形成,変分オートエンコーダ(VAE),DRTAと呼ばれるアクティブラーニングを統合した強化学習ベースのフレームワークを提案する。 提案手法は,VAEに基づく再構成誤りと分類報酬の効果を動的にスケーリングすることにより,探索と利用のバランスをとる適応報酬機構を用いる。
  論文  参考訳（メタデータ） (2025-08-25T20:39:49Z)
• NDCG-Consistent Softmax Approximation with Accelerated Convergence [67.10365329542365]
  本稿では,ランキングの指標と直接一致した新たな損失定式化を提案する。 提案したRG損失を高効率な Alternating Least Squares (ALS) 最適化手法と統合する。 実世界のデータセットに対する実証的な評価は、我々のアプローチが同等または上位のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-06-11T06:59:17Z)
• Secure Hierarchical Federated Learning in Vehicular Networks Using Dynamic Client Selection and Anomaly Detection [10.177917426690701]
  階層的フェデレートラーニング(HFL)は、車両ネットワークにおける敵または信頼できない車両の課題に直面している。 本研究では,動的車両選択とロバストな異常検出機構を統合した新しい枠組みを提案する。 提案アルゴリズムは,強烈な攻撃条件下においても顕著なレジリエンスを示す。
  論文  参考訳（メタデータ） (2024-05-25T18:31:20Z)
• Enhancing Infrared Small Target Detection Robustness with Bi-Level Adversarial Framework [61.34862133870934]
  本稿では,異なる汚職の存在下での検出の堅牢性を促進するために,二段階の対向的枠組みを提案する。 我々の手法は広範囲の汚職で21.96%のIOUを著しく改善し、特に一般ベンチマークで4.97%のIOUを推進している。
  論文  参考訳（メタデータ） (2023-09-03T06:35:07Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)

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。