Fugu-MT 論文翻訳(概要): Towards Out-of-Distribution Detection with Divergence Guarantee in Deep Generative Models

論文の概要: Towards Out-of-Distribution Detection with Divergence Guarantee in Deep Generative Models

arxiv url: http://arxiv.org/abs/2002.03328v4
Date: Thu, 16 Sep 2021 05:59:28 GMT
ステータス: 処理完了
システム内更新日: 2023-01-02 14:07:05.236145
Title: Towards Out-of-Distribution Detection with Divergence Guarantee in Deep Generative Models
Title（参考訳）: 深部生成モデルにおける発散保証による分布外検出に向けて
Authors: Yufeng Zhang, Wanwei Liu, Zhenbang Chen, Ji Wang, Zhiming Liu, Kenli Li, Hongmei Wei
Abstract要約: 深層生成モデルは、分布外データ(OOD)に対して、分布内データ(ID)よりも高い確率を割り当てることができる。フローベースモデルにおける散逸を解析するための定理を証明している。本稿では,2つのグループ異常検出手法を提案する。
参考スコア（独自算出の注目度）: 22.697643259435115
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent research has revealed that deep generative models including flow-based models and Variational autoencoders may assign higher likelihood to out-of-distribution (OOD) data than in-distribution (ID) data. However, we cannot sample out OOD data from the model. This counterintuitive phenomenon has not been satisfactorily explained. In this paper, we prove theorems to investigate the divergences in flow-based model and give two explanations to the above phenomenon from divergence and geometric perspectives, respectively. Based on our analysis, we propose two group anomaly detection methods. Furthermore, we decompose the KL divergence and propose a point-wise anomaly detection method. We have conducted extensive experiments on prevalent benchmarks to evaluate our methods. For group anomaly detection (GAD), our method can achieve near 100\% AUROC on all problems and has robustness against data manipulations. On the contrary, the state-of-the-art (SOTA) GAD method performs not better than random guessing for challenging problems and can be attacked by data manipulation in almost all cases. For point-wise anomaly detection (PAD), our method is comparable to the SOTA PAD method on one category of problems and outperforms the baseline significantly on another category of problems.
Abstract（参考訳）: 近年の研究では、フローベースモデルや変分オートエンコーダを含む深層生成モデルが、分布内データよりも分布外データ(OOD)に高い確率を割り当てる可能性があることが明らかになっている。しかし、モデルからOODデータをサンプリングすることはできない。この逆直観的な現象は十分説明されていない。本稿では,フローベースモデルにおける発散を調べるための定理を証明し,上記の現象について発散と幾何学的視点から2つの説明を与える。そこで本研究では,2つのグループ異常検出手法を提案する。さらに,klの発散を分解し,ポイントワイズ異常検出法を提案する。我々は,本手法を評価するために,有意なベンチマーク実験を行った。グループ異常検出(gad)では,すべての問題に対して約100\% aurocを達成でき,データ操作に対するロバスト性を有する。それとは対照的に、最先端(SOTA)のGAD法は、困難な問題に対するランダムな推測よりも優れており、ほぼ全てのケースでデータ操作によって攻撃される。ポイントワイズ異常検出法 (pad) では, 問題の1つのカテゴリにおける sota pad 法と同等であり, 他のカテゴリでは, 基準値を大きく上回っている。

関連論文リスト

Out-of-Distribution Detection with a Single Unconditional Diffusion Model [54.15132801131365]
アウト・オブ・ディストリビューション(OOD)検出は、異常サンプルを特定しようとする機械学習において重要なタスクである。従来、教師なし手法はOOD検出に深い生成モデルを用いていた。本稿では,単一汎用モデルが多様なタスクに対してOOD検出を行うことができるかどうかを考察する。
論文参考訳（メタデータ） (2024-05-20T08:54:03Z)
Fault Detection and Monitoring using an Information-Driven Strategy: Method, Theory, and Application [5.056456697289351]
本稿では,新しいコンセプトドリフト検出器に基づく情報駆動型故障検出手法を提案する。本手法は,加法雑音モデルの入出力関係におけるドリフトの同定に適している。提案したMIに基づく故障検出手法の理論的特性を実証する。
論文参考訳（メタデータ） (2024-05-06T17:43:39Z)
CL-Flow:Strengthening the Normalizing Flows by Contrastive Learning for Better Anomaly Detection [1.951082473090397]
コントラスト学習と2D-Flowを組み合わせた自己教師付き異常検出手法を提案する。本手法は,主流の教師なし手法と比較して,検出精度が向上し,モデルパラメータが減少し,推論速度が向上することを示す。 BTADデータセットでは,MVTecADデータセットでは画像レベルのAUROCが99.6%,BTADデータセットでは画像レベルのAUROCが96.8%であった。
論文参考訳（メタデータ） (2023-11-12T10:07:03Z)
Spot The Odd One Out: Regularized Complete Cycle Consistent Anomaly Detector GAN [4.5123329001179275]
本研究では,GAN(Generative Adversarial Neural Network)のパワーを活用した,現実の応用における異常検出のための逆方向検出手法を提案する。従来の手法は、あらゆる種類の異常に適用できないような、クラス単位での精度のばらつきに悩まされていた。 RCALADという手法は,この構造に新たな識別器を導入し,より効率的な学習プロセスを実現することで,この問題を解決しようとするものである。
論文参考訳（メタデータ） (2023-04-16T13:05:39Z)
Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文参考訳（メタデータ） (2022-06-30T06:00:13Z)
MissDAG: Causal Discovery in the Presence of Missing Data with Continuous Additive Noise Models [78.72682320019737]
不完全な観測データから因果発見を行うため,MissDAGと呼ばれる一般的な手法を開発した。 MissDAGは、期待-最大化の枠組みの下で観測の可視部分の期待される可能性を最大化する。各種因果探索アルゴリズムを組み込んだMissDAGの柔軟性について,広範囲なシミュレーションと実データ実験により検証した。
論文参考訳（メタデータ） (2022-05-27T09:59:46Z)
TracInAD: Measuring Influence for Anomaly Detection [0.0]
本稿では,TracInに基づく異常をフラグする新しい手法を提案する。本研究では,変分オートエンコーダを用いて,テストポイントにおけるトレーニングポイントのサブサンプルの平均的な影響が,異常のプロキシとして有効であることを示す。
論文参考訳（メタデータ） (2022-05-03T08:20:15Z)
Projected Sliced Wasserstein Autoencoder-based Hyperspectral Images Anomaly Detection [42.585075865267946]
本稿では,PSW自動エンコーダを用いた異常検出手法を提案する。特に、計算フレンドリーな固有分解法を利用して、高次元データをスライスする主成分を見つける。様々な実世界のハイパースペクトル異常検出ベンチマークで実施した総合的な実験は,提案手法の優れた性能を示す。
論文参考訳（メタデータ） (2021-12-20T09:21:02Z)
Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文参考訳（メタデータ） (2021-09-06T14:52:58Z)
NADS: Neural Architecture Distribution Search for Uncertainty Awareness [79.18710225716791]
機械学習(ML)システムは、トレーニングデータとは異なるディストリビューションから来るテストデータを扱う場合、しばしばOoD(Out-of-Distribution)エラーに遭遇する。既存のOoD検出アプローチはエラーを起こしやすく、時にはOoDサンプルに高い確率を割り当てることもある。本稿では,すべての不確実性を考慮したアーキテクチャの共通構築ブロックを特定するために,ニューラルアーキテクチャ分布探索(NADS)を提案する。
論文参考訳（メタデータ） (2020-06-11T17:39:07Z)
SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。