文献

J-GLOBAL ID：202002243862013884   整理番号：20A0080152

HLMCC:モノのインターネットにおける未標識データのためのハイブリッド学習異常検出モデル【JST・京大機械翻訳】

HLMCC: A Hybrid Learning Anomaly Detection Model for Unlabeled Data in Internet of Things

著者 (3件)： Alghanmi Nusaybah (Department of Information Technology, King Abdulaziz University, Jeddah, Saudi Arabia) ,  Alotaibi Reem (Department of Information Technology, King Abdulaziz University, Jeddah, Saudi Arabia) ,  Buhari Seyed M (Department of Information Technology, King Abdulaziz University, Jeddah, Saudi Arabia)
資料名： IEEE Access  (IEEE Access)
巻： 7  ページ： 179492-179504  発行年： 2019年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
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： モノのインターネット(IoT)は,データの収集と共有を可能にするために,インターネットを通して接続された分散デバイスまたはセンサのネットワークである。これらのデバイスによって生成されたデータは,例として,攻撃問題による異常または異常な挙動,またはデバイスにおける破壊によって影響される。しかし,ほとんどの現在の異常検出システムはラベル付きデータに依存しているが,IoTデータに対するクラスラベルは通常利用できない。さらに,手動ラベリングタスクは,ドメインエキスパートの必要性により実行するのに費用がかかり,時間がかかる。さらに重要なことに,IoTにおけるデータの量は急速に成長しており,将来のデータに対する分類ラベルを予測する必要がある。本研究では,ラベル付けプロセスを自動化し,IoTデータの異常を検出するために,クラスタリングと分類法(HLMCC)の両方を用いるハイブリッド学習モデルを提案した。このモデルは,自動ラベリングと検出異常の2つの実用的なフェーズから成る。最初に,HLMCCグループは,階層的親和性伝搬(HAP)クラスタ化を採用することによって,正常および異常クラスタにデータをグループ化した。第二に,クラスタ化位相から得られたラベル付きデータを用いて,決定木(DT)を訓練し,将来の見えないデータを分類した。結果は,HLMCCがデータのラベリングを自動化することができることを示して,それは人間の関与を最小にするために有益であった。さらに,HLMCCは,最初にラベル付けされたデータセット上のDTと,平均ランクに基づく広い範囲の評価基準にわたる最先端のモデルを上回る。HLLCCは,他のモデルに対して最も高い平均ランクを,それぞれ1.8,1.6,1.8,および1.8により,正確さと精度および面積(AUCPR)という観点から,他のモデルに対して最大になることを示した。。それらは,それぞれ1.8,1.6,1.8,および1.8であった。また,各モデルに対して,精度と面積は,それぞれ1.8,1.6,1.8,および1.8であった。Copyright 2020 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： クラスタ ,  親和性 ,  評価基準 ,  ネットワーク ,  位相 ,  ディシジョンツリー ,  *インターネット ,  クラスタ化 ,  自動化 ,  センサ
準シソーラス用語： 分類法 ,  異常検出 ,  ハイブリッド学習 ,  *モノのインターネット , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： インターネット ,  標識 ,  ハイブリッド学習 ,  異常検出 ,  モデル