Fugu-MT 論文翻訳(概要): Multi-Aspect Mining and Anomaly Detection for Heterogeneous Tensor Streams

論文の概要: Multi-Aspect Mining and Anomaly Detection for Heterogeneous Tensor Streams

arxiv url: http://arxiv.org/abs/2602.04917v1
Date: Wed, 04 Feb 2026 05:32:57 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-06 18:49:08.539479
Title: Multi-Aspect Mining and Anomaly Detection for Heterogeneous Tensor Streams
Title（参考訳）: 不均質テンソル流のマルチアスペクトマイニングと異常検出
Authors: Soshi Kakio, Yasuko Matsubara, Ren Fujiwara, Yasushi Sakurai,
Abstract要約: ヘテロコンプ(HeteroComp)は、不均一なテンソルストリームを各属性の潜在群とその時間ダイナミクスを表す「成分」に要約する手法である。提案手法はガウス過程を用いて連続属性の未知分布と時間力学をモデル化する。実際のデータセットの実験では、HeteroCompはグループ異常検出精度の最先端アルゴリズムよりも優れていた。
参考スコア（独自算出の注目度）: 15.63942084384363
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Analysis and anomaly detection in event tensor streams consisting of timestamps and multiple attributes - such as communication logs(time, IP address, packet length)- are essential tasks in data mining. While existing tensor decomposition and anomaly detection methods provide useful insights, they face the following two limitations. (i) They cannot handle heterogeneous tensor streams, which comprises both categorical attributes(e.g., IP address) and continuous attributes(e.g., packet length). They typically require either discretizing continuous attributes or treating categorical attributes as continuous, both of which distort the underlying statistical properties of the data.Furthermore, incorrect assumptions about the distribution family of continuous attributes often degrade the model's performance. (ii) They discretize timestamps, failing to track the temporal dynamics of streams(e.g., trends, abnormal events), which makes them ineffective for detecting anomalies at the group level, referred to as 'group anomalies' (e.g, DoS attacks). To address these challenges, we propose HeteroComp, a method for continuously summarizing heterogeneous tensor streams into 'components' representing latent groups in each attribute and their temporal dynamics, and detecting group anomalies. Our method employs Gaussian process priors to model unknown distributions of continuous attributes, and temporal dynamics, which directly estimate probability densities from data. Extracted components give concise but effective summarization, enabling accurate group anomaly detection. Extensive experiments on real datasets demonstrate that HeteroComp outperforms the state-of-the-art algorithms for group anomaly detection accuracy, and its computational time does not depend on the data stream length.
Abstract（参考訳）: タイムスタンプと複数の属性(通信ログ(時間、IPアドレス、パケット長)で構成されるイベントテンソルストリームの解析と異常検出は、データマイニングにおいて必須のタスクである。既存のテンソル分解法と異常検出法は有用な洞察を与えるが、それらは以下の2つの制限に直面している。 (i) 分類属性(例えばIPアドレス)と連続属性(例えばパケット長)の両方を含む異種テンソルストリームを処理できない。これらは典型的には、連続属性を離散化するか、分類的属性を連続として扱うことを必要とし、どちらもデータの基盤となる統計的性質を歪ませるが、しかしながら、連続属性の分布族に関する誤った仮定は、しばしばモデルの性能を劣化させる。 (ii) タイムスタンプを識別し、ストリーム(例えばトレンド、異常事象)の時間的ダイナミクスを追跡することができず、「グループ異常」と呼ばれるグループレベルで異常を検出するのに効果がない(例:DoS攻撃)。これらの課題に対処するために、ヘテロコンプ(HeteroComp)を提案する。これは、不均一なテンソルストリームを各属性における潜在群とその時間的ダイナミクスを表す「成分」に連続的に要約し、グループ異常を検出する方法である。本手法では,連続属性の未知分布をモデル化するためのガウス過程と,データから直接確率密度を推定する時間的ダイナミクスを用いる。抽出された成分は簡潔だが効果的な要約を与え、正確なグループ異常検出を可能にする。実データセットに対する大規模な実験により、HeteroCompはグループ異常検出精度の最先端アルゴリズムよりも優れており、その計算時間はデータストリーム長に依存しないことが示された。

関連論文リスト

Robust Spatiotemporally Contiguous Anomaly Detection Using Tensor Decomposition [14.212807007278185]
本稿では,非教師付きテンソルに基づく異常検出手法を提案する。提案手法は合成データと実データの両方で評価される。
論文参考訳（メタデータ） (2025-10-01T03:25:44Z)
CyberCScope: Mining Skewed Tensor Streams and Online Anomaly Detection in Cybersecurity Systems [7.337687622011136]
本稿では,CyberCScopeという新しいストリーミング手法を提案する。これは事実上、入ってくるテンソルを主要な傾向に分解し、カテゴリー的属性と歪んだ連続属性を明確に区別する。大規模な実データセットの実験では、CyberCScopeは最先端のベースラインよりも高い精度で様々な侵入を検出する。
論文参考訳（メタデータ） (2025-03-02T12:17:24Z)
Two Is Better Than One: Aligned Representation Pairs for Anomaly Detection [56.57122939745213]
異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。近年の自己教師型手法は, 異常に関する事前知識を用いて, トレーニング中に合成外れ値を生成することによって, それらの表現をうまく学習している。この制限は、通常のサンプルにおける対称性に関する事前の知識を活用して、異なるコンテキストでデータを観測する、新しいアプローチであるCon$で対処する。
論文参考訳（メタデータ） (2024-05-29T07:59:06Z)
Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
論文参考訳（メタデータ） (2024-03-14T02:26:10Z)
Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文参考訳（メタデータ） (2024-01-11T10:10:16Z)
Probabilistic Learning of Multivariate Time Series with Temporal Irregularity [21.361823581838355]
実世界の時系列はしばしば、一様間隔や不整合変数を含む時間的不規則に悩まされる。本稿では,変数の連立分布を任意の連続点で捉えながら,時間的不規則性をモデル化するエンドツーエンドフレームワークを提案する。
論文参考訳（メタデータ） (2023-06-15T14:08:48Z)
Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
論文参考訳（メタデータ） (2023-05-17T09:37:07Z)
Detecting Multivariate Time Series Anomalies with Zero Known Label [17.930211011723447]
MTGFlowは多変量時系列異常検出のための教師なし異常検出手法である。エンティティ間の複雑な相互依存性と各エンティティ固有の特性は、密度推定に重大な課題を生じさせる。 7つのベースラインを持つ5つの公開データセットの実験が行われ、MTGFlowはSOTA法を最大5.0AUROC%で上回っている。
論文参考訳（メタデータ） (2022-08-03T14:38:19Z)
SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
異常検出は、機械学習の基本的な問題であるが、難しい問題である。本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
論文参考訳（メタデータ） (2021-11-25T03:53:43Z)
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。