論文の概要: RCC-Dual-GAN: An Efficient Approach for Outlier Detection with Few
Identified Anomalies
- arxiv url: http://arxiv.org/abs/2003.03609v1
- Date: Sat, 7 Mar 2020 17:13:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-25 19:12:25.602848
- Title: RCC-Dual-GAN: An Efficient Approach for Outlier Detection with Few
Identified Anomalies
- Title(参考訳): RCC-Dual-GAN : 異常同定による外乱検出の効率化
- Authors: Zhe Li, Chunhua Sun, Chunli Liu, Xiayu Chen, Meng Wang, Yezheng Liu
- Abstract要約: 外乱検出はデータマイニングにおいて重要な課題であり、様々な用途で多くの技術が研究されている。
本稿では,特定異常の潜在的な情報を直接利用し,個別の異常を同時に検出できる新しい検出モデルDual-GANを提案する。
さらに、ナッシュ平衡の評価と最適モデルの選定に対処するため、2つのモデルに2つの評価指標を作成し、検出プロセスをよりインテリジェントにするために導入する。
- 参考スコア(独自算出の注目度): 11.02452262854759
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Outlier detection is an important task in data mining and many technologies
have been explored in various applications. However, due to the default
assumption that outliers are non-concentrated, unsupervised outlier detection
may not correctly detect group anomalies with higher density levels. As for the
supervised outlier detection, although high detection rates and optimal
parameters can usually be achieved, obtaining sufficient and correct labels is
a time-consuming task. To address these issues, we focus on semi-supervised
outlier detection with few identified anomalies, in the hope of using limited
labels to achieve high detection accuracy. First, we propose a novel detection
model Dual-GAN, which can directly utilize the potential information in
identified anomalies to detect discrete outliers and partially identified group
anomalies simultaneously. And then, considering the instances with similar
output values may not all be similar in a complex data structure, we replace
the two MO-GAN components in Dual-GAN with the combination of RCC and M-GAN
(RCC-Dual-GAN). In addition, to deal with the evaluation of Nash equilibrium
and the selection of optimal model, two evaluation indicators are created and
introduced into the two models to make the detection process more intelligent.
Extensive experiments on both benchmark datasets and two practical tasks
demonstrate that our proposed approaches (i.e., Dual-GAN and RCC-Dual-GAN) can
significantly improve the accuracy of outlier detection even with only a few
identified anomalies. Moreover, compared with the two MO-GAN components in
Dual-GAN, the network structure combining RCC and M-GAN has greater stability
in various situations.
- Abstract(参考訳): 異常検出はデータマイニングにおいて重要なタスクであり、様々なアプリケーションで多くの技術が研究されている。
しかし、異常値が集中していないというデフォルトの仮定のため、教師なし異常値検出は高密度の群異常を正しく検出することができない。
教師付き異常検出では, 高い検出率と最適パラメータが得られるが, 十分なラベルと正しいラベルを得ることは時間を要する作業である。
これらの問題に対処するために,限られたラベルを用いて高い検出精度を実現するために,同定された異常をほとんど持たない半教師付き外れ値検出に焦点をあてる。
まず,特定異常の電位情報を直接活用し,離散異常と部分的異常を同時に検出できる新しい検出モデルであるdual-ganを提案する。
そして、類似した出力値を持つインスタンスは、すべて複雑なデータ構造で類似しているわけではないので、Dual-GANの2つのMO-GANコンポーネントをRCCとM-GAN(RCC-Dual-GAN)の組み合わせで置き換える。
さらに,nash平衡の評価と最適モデルの選択に対処すべく,2つの評価指標を作成して2つのモデルに導入し,検出プロセスをよりインテリジェントにする。
提案手法(Dual-GAN と RCC-Dual-GAN )は,数個の異常がみられた場合でも,外乱検出の精度を大幅に向上できることを示す。
さらに、Dual-GANの2つのMO-GAN成分と比較して、RCCとM-GANを組み合わせたネットワーク構造は、様々な状況においてより安定性が高い。
関連論文リスト
- Open-Vocabulary Video Anomaly Detection [57.552523669351636]
監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。
近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。
本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
論文 参考訳(メタデータ) (2023-11-13T02:54:17Z) - 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) - RoSAS: Deep Semi-Supervised Anomaly Detection with
Contamination-Resilient Continuous Supervision [21.393509817509464]
本稿では, テクスト汚染耐性連続監視信号を考案した, 半教師付き異常検出手法を提案する。
当社のアプローチは、AUC-PRにおいて最先端の競合他社を20%-30%上回っている。
論文 参考訳(メタデータ) (2023-07-25T04:04:49Z) - Spot The Odd One Out: Regularized Complete Cycle Consistent Anomaly
Detector GAN [4.929399529593514]
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) - Mitigating the Mutual Error Amplification for Semi-Supervised Object
Detection [92.52505195585925]
擬似ラベルの修正機構を導入し,相互誤りの増幅を緩和するクロス・インストラクション(CT)手法を提案する。
他の検出器からの予測を直接擬似ラベルとして扱う既存の相互指導法とは対照的に,我々はラベル修正モジュール(LRM)を提案する。
論文 参考訳(メタデータ) (2022-01-26T03:34:57Z) - 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) - Dual-encoder Bidirectional Generative Adversarial Networks for Anomaly
Detection [0.0]
我々は、ジェネレータと識別器ネットワークを同時に訓練した双方向GANアーキテクチャのデュアルエンコーダを開発する。
提案手法が正常試料の分布を捉えるのに有効であることを示し,ganモデルにおける異常検出を改善した。
論文 参考訳(メタデータ) (2020-12-22T05:05:33Z) - ESAD: End-to-end Deep Semi-supervised Anomaly Detection [85.81138474858197]
正規データと異常データの間のKL偏差を計測する新たな目的関数を提案する。
提案手法は,複数のベンチマークデータセットの最先端性能を著しく上回っている。
論文 参考訳(メタデータ) (2020-12-09T08:16:35Z) - Dual Adversarial Auto-Encoders for Clustering [152.84443014554745]
教師なしクラスタリングのためのDual-AAE(Dual-AAE)を提案する。
Dual-AAEの目的関数に対する変分推論を行うことで,一対のオートエンコーダをトレーニングすることで最適化可能な新たな再構成損失を導出する。
4つのベンチマーク実験により、Dual-AAEは最先端のクラスタリング手法よりも優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2020-08-23T13:16:34Z) - 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。