Fugu-MT 論文翻訳(概要): Universal Data Anomaly Detection via Inverse Generative Adversary Network

論文の概要: Universal Data Anomaly Detection via Inverse Generative Adversary Network

arxiv url: http://arxiv.org/abs/2001.08809v1
Date: Thu, 23 Jan 2020 21:11:36 GMT
ステータス: 処理完了
システム内更新日: 2023-01-07 12:46:27.359971
Title: Universal Data Anomaly Detection via Inverse Generative Adversary Network
Title（参考訳）: 逆生成逆ネットワークによる普遍的データ異常検出
Authors: Kursat Rasim Mestav, Lang Tong
Abstract要約: 異常データの配信にはトレーニングデータがない。逆生成逆ネットワークに基づく半教師付き深層学習手法を提案する。
参考スコア（独自算出の注目度）: 4.162663632560141
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The problem of detecting data anomaly is considered. Under the null hypothesis that models anomaly-free data, measurements are assumed to be from an unknown distribution with some authenticated historical samples. Under the composite alternative hypothesis, measurements are from an unknown distribution positive distance away from the distribution under the null hypothesis. No training data are available for the distribution of anomaly data. A semi-supervised deep learning technique based on an inverse generative adversary network is proposed.
Abstract（参考訳）: データの異常検出の問題点を考察する。異常のないデータをモデル化するヌル仮説の下では、測定は未知の分布といくつかの認証された歴史的サンプルから得られると仮定される。合成代替仮説の下では、測定はヌル仮説の下での分布から離れた未知の分布正の距離から得られる。異常データの配信にはトレーニングデータがない。逆生成逆ネットワークに基づく半教師付き深層学習手法を提案する。

関連論文リスト

Anomaly Detection by Context Contrasting [57.695202846009714]
異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。我々はコンテキスト拡張を通じて学習するCon$を提案する。
論文参考訳（メタデータ） (2024-05-29T07:59:06Z)
Generative Posterior Networks for Approximately Bayesian Epistemic Uncertainty Estimation [11.66240919177989]
本稿では,ラベルのないデータを用いて高次元問題における不確実性を推定するGPN(Generative Posterior Networks)を提案する。 GPNは、関数上の事前分布を与えられた後続分布を直接近似する生成モデルである。
論文参考訳（メタデータ） (2023-12-29T00:43:41Z)
Projection Regret: Reducing Background Bias for Novelty Detection via Diffusion Models [72.07462371883501]
本研究では,非意味情報のバイアスを緩和する効率的な新規性検出手法であるemphProjection Regret(PR)を提案する。 PRは、テスト画像とその拡散ベースの投影の間の知覚距離を計算し、異常を検出する。拡張実験により、PRは生成モデルに基づく新規性検出手法の先行技術よりも有意なマージンで優れていることが示された。
論文参考訳（メタデータ） (2023-12-05T09:44:47Z)
TabADM: Unsupervised Tabular Anomaly Detection with Diffusion Models [5.314466196448187]
本稿では,非教師付き異常検出に有効な拡散型確率モデルを提案する。本モデルは, 特異な拒絶手法を用いて, サンプルの密度を学習するよう訓練されている。低密度領域のサンプルとして異常を同定する。
論文参考訳（メタデータ） (2023-07-23T14:02:33Z)
Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文参考訳（メタデータ） (2021-08-01T14:33:17Z)
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)
Bad-Data Sequence Detection for Power System State Estimation via ICA-GAN [5.990174495635325]
電力系統における不良データシーケンスの検出に対する深層学習手法を提案する。悪いデータモデルは、任意の自然データおよび逆データ異常を含む非パラメトリックである。異常のないシステム操作におけるデータの確率分布は、非パラメトリック、未知、歴史的トレーニングサンプルである。
論文参考訳（メタデータ） (2020-12-09T16:53:56Z)
The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
論文参考訳（メタデータ） (2020-12-05T17:30:35Z)
Toward Deep Supervised Anomaly Detection: Reinforcement Learning from Partially Labeled Anomaly Data [150.9270911031327]
本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
論文参考訳（メタデータ） (2020-09-15T03:05:39Z)
Uncertainty-Aware Deep Classifiers using Generative Models [7.486679152591502]
ディープニューラルネットワークは、しばしば、彼らが知らないことについて無知であり、インフォームド予測を行うときに過信する。最近のアプローチでは、クラス境界に近いデータサンプルやトレーニング分布の外側から、モデルに高い不確実性を出力するようにトレーニングすることで、不確実性を直接定量化している。本研究では,アレータ性およびてんかん性不確実性の両方を表現し,決定境界と分布外領域を識別できる新しいニューラルネットワークモデルを構築した。
論文参考訳（メタデータ） (2020-06-07T15:38:35Z)
Deep Weakly-supervised Anomaly Detection [118.55172352231381]
ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。 PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。 12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
論文参考訳（メタデータ） (2019-10-30T00:40:25Z)

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。