文献

J-GLOBAL ID：201902229328227594   整理番号：19A2091262

信頼できないデータに関するロバスト異常検出【JST・京大機械翻訳】

Robust Anomaly Detection on Unreliable Data

著者 (7件)： Zhao Zilong (Universite ́ Grenoble Alpes, France) ,  Cerf Sophie (Universite ́ Grenoble Alpes, France) ,  Birke Robert (ABB Research, Switzerland) ,  Robu Bogdan (Universite ́ Grenoble Alpes, France) ,  Bouchenak Sara (INSA Lyon, France) ,  Ben Mokhtar Sonia (INSA Lyon, France) ,  Chen Lydia Y (TU Delft, Netherlands)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： DSN  ページ： 630-637  発行年： 2019年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 分類アルゴリズムは,データ源がクリーンであるという一般的な仮定の下で,例えばIoTとクラウドのような様々なシステムに対する異常を検出するために広く採用されている。すなわち,特徴とラベルは正しく設定されている。しかしながら,フィールドから収集されたデータは,不正確な異常検出のための無注意アノテーションまたは悪意のあるデータ変換のために信頼できない。本論文では,信頼できない異常ラベルの存在下におけるロバスト異常検出(RAD)のための2層学習フレームワークを提案した。品質モデルの第一層は疑わしいデータをフィルタし,そこでは分類モデルの第二層が異常型を検出する。著者らは,2つの使用事例に特に焦点を合わせた。(i)IoT攻撃の10のクラスを検出し,(ii)大規模データジョブのタスク故障の4つのクラスを予測する。この評価結果は,RADが異常検出の精度をロバストに改善し,IoTデバイス攻撃(すなわち+11%)に対して98%に達し,雲タスク故障(すなわち+20%)に対して最大83%に達することを示した。指標は信頼できないデータ;異常検出;失敗;攻撃;機械学習。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アノテーション ,  単一層 ,  フィルタ ,  学習 ,  *ロバスト性 ,  故障 ,  データ変換 ,  機械学習
準シソーラス用語： 分類モデル ,  二層 ,  モノのインターネット ,  分類アルゴリズム ,  *異常検出 , 【Automatic Indexing@JST】

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： 信頼 ,  ロバスト ,  異常検出