論文の概要: Anomaly Detection with Density Estimation
- arxiv url: http://arxiv.org/abs/2001.04990v2
- Date: Sun, 10 May 2020 04:48:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-11 13:29:07.714469
- Title: Anomaly Detection with Density Estimation
- Title（参考訳）: 密度推定による異常検出
- Authors: Benjamin Nachman and David Shih
- Abstract要約: 我々は新しい教師なし異常検出手法(ANODE)を提案する。
信号領域およびサイドバンドにおけるデータの確率密度を推定することにより、データとバックグラウンドとの確率比を構築することができる。
ANODEは信号領域とサイドバンドの体系的な違いに対して堅牢であり、他の方法よりも広い適用性を与えている。
- 参考スコア（独自算出の注目度）: 2.0813318162800707
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We leverage recent breakthroughs in neural density estimation to propose a
new unsupervised anomaly detection technique (ANODE). By estimating the
probability density of the data in a signal region and in sidebands, and
interpolating the latter into the signal region, a likelihood ratio of data vs.
background can be constructed. This likelihood ratio is broadly sensitive to
overdensities in the data that could be due to localized anomalies. In
addition, a unique potential benefit of the ANODE method is that the background
can be directly estimated using the learned densities. Finally, ANODE is robust
against systematic differences between signal region and sidebands, giving it
broader applicability than other methods. We demonstrate the power of this new
approach using the LHC Olympics 2020 R\&D Dataset. We show how ANODE can
enhance the significance of a dijet bump hunt by up to a factor of 7 with a
10\% accuracy on the background prediction. While the LHC is used as the
recurring example, the methods developed here have a much broader applicability
to anomaly detection in physics and beyond.
- Abstract（参考訳）: 神経密度推定の最近のブレークスルーを利用して,新しい教師なし異常検出手法(anode)を提案する。
信号領域及びサイドバンドにおけるデータの確率密度を推定し、後者を信号領域に補間することにより、データと背景の確率比を構築することができる。
この確率比は、局所的な異常に起因する可能性のあるデータの過剰密度に広く敏感である。
さらに、ANODE法のユニークな潜在的な利点は、学習された密度を使って背景を直接推定できることである。
最後に、ANODEは信号領域とサイドバンドの体系的な違いに対して堅牢であり、他の方法よりも幅広い適用性を提供します。
我々は, LHC Olympics 2020 R\&D Dataset を用いて, この新しいアプローチのパワーを実証する。
背景予測において,AnODEが最大7倍の精度でジジェットバンプハントの重要性を高めることができることを示す。
LHCは繰り返し使われる例であるが、ここで開発された手法は物理学などにおける異常検出に適用可能である。
関連論文リスト
- Generative Edge Detection with Stable Diffusion [52.870631376660924]
エッジ検出は一般的に、主に識別法によって対処されるピクセルレベルの分類問題と見なされる。
本稿では、事前学習した安定拡散モデルのポテンシャルを十分に活用して、GED(Generative Edge Detector)という新しい手法を提案する。
複数のデータセットに対して広範な実験を行い、競争性能を達成する。
論文 参考訳（メタデータ） (2024-10-04T01:52:23Z) - Towards the Uncharted: Density-Descending Feature Perturbation for Semi-supervised Semantic Segmentation [51.66997548477913]
本稿では,DDFP(Dedentity-Descending Feature Perturbation)という特徴レベルの一貫性学習フレームワークを提案する。
半教師付き学習における低密度分離仮定にインスパイアされた私たちの重要な洞察は、特徴密度はセグメンテーション分類器が探索する最も有望な方向の光を放つことができるということである。
提案したDFFPは、機能レベルの摂動に関する他の設計よりも優れており、Pascal VOCとCityscapesのデータセット上でのアートパフォーマンスの状態を示している。
論文 参考訳（メタデータ） (2024-03-11T06:59:05Z) - Residual ANODE [0.0]
データ駆動型モデル非依存型共振異常検出のための新しい手法であるR-ANODEを提案する。
R-ANODEの鍵は、正規化フローを小さく未知の信号成分に直接適合させることにより、異常検出タスクの誘導バイアスを高めることである。
本手法は,未知の信号区間が学習されたり固定されたりしても等しく動作し,信号区間の誤識別に対してさえ頑健であることを示す。
論文 参考訳（メタデータ） (2023-12-18T19:00:03Z) - Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。
本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。
HypADは自己指導で入力信号を再構築する。
論文 参考訳（メタデータ） (2022-11-16T21:31:39Z) - Window-Based Distribution Shift Detection for Deep Neural Networks [21.73028341299301]
本研究では,データストリームを受信したディープニューラルネットワーク(DNN)の正常動作をモニタリングする場合について検討する。
選択的予測原理を用いて,DNNの分布偏差検出手法を提案する。
我々の新しい検出法は、最先端技術よりもかなり少ない時間を消費しながら、オンパー以上の性能を発揮する。
論文 参考訳（メタデータ） (2022-10-19T21:27:25Z) - Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic
Uncertainty [58.144520501201995]
ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。
注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。
また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
論文 参考訳（メタデータ） (2021-10-12T22:04:19Z) - Density-Based Clustering with Kernel Diffusion [59.4179549482505]
単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。
局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
論文 参考訳（メタデータ） (2021-10-11T09:00:33Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - Exploring the Intrinsic Probability Distribution for Hyperspectral
Anomaly Detection [9.653976364051564]
超スペクトル異常検出のための原データにおける背景と異常の両方の固有分布を探索する新しい確率分布表現検出器(pdrd)を提案する。
提案手法の性能を評価するために, 4つの実データ集合の実験を行った。
論文 参考訳（メタデータ） (2021-05-14T11:42:09Z) - Deep Data Density Estimation through Donsker-Varadhan Representation [5.276937617129594]
我々は,深層ニューラルネットワークとドンスカー・バラダン変分法を用いて,KL偏差に基づくデータ密度を簡易かつ効果的に推定する手法を提案する。
本研究では,ドンスカー・バラダン表現におけるデータと一様分布の発散に関する最適批判関数が,データ密度を推定できることを示した。
論文 参考訳（メタデータ） (2021-04-14T03:38:32Z) - Regularized Cycle Consistent Generative Adversarial Network for Anomaly
Detection [5.457279006229213]
本稿では, ニューラルネットワークを逆向きに訓練し, 異常なサンプルをよりよく認識するRCGAN(Regularized Cycle Consistent Generative Adversarial Network)を提案する。
実世界のデータと合成データの両方に対する実験結果から,我々のモデルが過去の異常検出ベンチマークにおいて有意かつ一貫した改善をもたらすことが示された。
論文 参考訳（メタデータ） (2020-01-18T03:35:05Z)
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。