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

• FUN-AD: Fully Unsupervised Learning for Anomaly Detection with Noisy Training Data [1.0650780147044159]
  ラベルなしおよび潜在的に汚染されたトレーニングデータを用いた完全教師なし異常検出のための新しい学習ベースアプローチを提案する。 本手法は, 2つの観測結果から, 正常試料間の対特徴距離が, 異常試料や異種試料間の対特徴距離よりも平均的に小さい可能性が示唆され, 互いに近接する2つの特徴対が等質な対である可能性が示唆された。 本研究は, 近接する近傍距離が信頼度の高いサンプルと異常を区別できることを示す最初の観測結果に基づいて, 反復的に再構成されたメモリバンクを用いた擬似ラベル方式を提案する。
  論文  参考訳（メタデータ） (2024-11-25T05:51:38Z)
• Resultant: Incremental Effectiveness on Likelihood for Unsupervised Out-of-Distribution Detection [63.93728560200819]
  unsupervised out-of-distribution (U-OOD) は、未表示のin-distriion(ID)データのみに基づいて訓練された検出器でデータサンプルを識別することである。 近年の研究は、DGMに基づく様々な検出器を開発し、可能性を超えて移動している。 本研究では,各方向,特にポストホック前とデータセットエントロピー・ミューチュアルキャリブレーションの2つの手法を適用した。 実験の結果、結果が新しい最先端のU-OOD検出器になる可能性が示された。
  論文  参考訳（メタデータ） (2024-09-05T02:58:13Z)
• Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
  異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。 この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。 セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
  論文  参考訳（メタデータ） (2024-04-16T17:38:26Z)
• 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)
• 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。