離散事象シーケンス異常検出のためのマルチスケール1クラスリカレントニューラルネットワーク【JST・京大機械翻訳】

Wang Zhiwei; Chen Zhengzhang; Ni Jingchao; Liu Hui; Chen Haifeng; Tang Jiliang

プレプリント

J-GLOBAL ID：202202209993380556 整理番号：22P0186261

離散事象シーケンス異常検出のためのマルチスケール1クラスリカレントニューラルネットワーク【JST・京大機械翻訳】

Multi-Scale One-Class Recurrent Neural Networks for Discrete Event Sequence Anomaly Detection

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2020年08月31日プレプリントサーバーでの情報更新日： 2020年08月31日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

離散事象シーケンスは,情報通信技術システムにおけるプロセス相互作用の規則化事象系列のようなユビキタスである。近年,離散事象シーケンスで異常を検出する努力が増加している。しかし,データ不均衡問題,事象の離散特性,およびデータの逐次性質を含むいくつかの固有の課題のために,まだ非常に困難なタスクである。これらの課題に取り組むために,本論文では,離散事象シーケンスにおける異常を検出するためのマルチスケール1クラス再帰ニューラルネットワークであるOC4Seqを提案した。特に,OC4Seqは,離散事象シーケンスを潜在空間に埋め込むために,異常検出目標を反復ニューラルネットワーク(RNN)と統合し,そこでは異常を容易に検出できる。さらに,異常シーケンスが個々のイベント,イベントのサブシーケンス,または全体のシーケンスのいずれかによって引き起こされ得るならば,著者らは,同時に様々なレベルの逐次パターンを捕捉するために,マルチスケールRNNフレームワークを設計した。3つのベンチマークデータセットに関する実験結果は,OC4Seqが一貫して大きなマージンによって種々の代表的ベースラインより優れていることを示した。さらに,定量的および定性的分析の両方を通して,イベント異常検出のためのマルチスケール逐次パターンを捕捉する重要性を検証した。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

人工知能

, , , , ,

前のページに戻る