A New Tensor Summary Statistic for Real-Time Detection of Stealthy Anomaly in Avatar Interaction
Notice bibliographique
Résumé
Avatar is one of the most intuitive central components in Metaverse and faces serious security problems, particularly during the interaction with each other. In this article, we consider the problem of timely detecting the stealthy anomaly in the avatar interaction, which is crucial for security and privacy in Metaverse. With this goal, a new tensor summary statistic is proposed first to well depict the statistical discrepancy between normal and anomalous interaction volume samples, even when anomalies are stealthy. The proposed tensor summary statistic is established from the tensor linear representation residual, which naturally implies the statistical probability that an interaction volume sample lies within or deviates from the tensor lateral space. Moreover, a convex optimization programme is introduced to robustly recover the tensor lateral space in the presence of anomalous samples, thereby enhancing the robustness of our tensor summary statistic. On the basis of the tensor summary statistic, a non-parametric statistic framework is developed for the real-time detection of the stealthy interaction volume anomaly. We also provide theoretical analysis concerning its detection performance and parameter selection. Extensive experiments using synthetic and real-world datasets verify our effectiveness and superiority. Compared with benchmark methods, the proposed detection scheme achieves significantly lower detection delay and higher false alarm period, particularly in the detection of stealthy anomalies with a low change rate.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».