論文の概要: ARAE: Adversarially Robust Training of Autoencoders Improves Novelty Detection

• arxiv url: http://arxiv.org/abs/2003.05669v2
• Date: Sat, 24 Oct 2020 19:42:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-24 15:08:29.003971
• Title: ARAE: Adversarially Robust Training of Autoencoders Improves Novelty Detection
• Title（参考訳）: ARAE: 自動エンコーダの逆ロバストトレーニングによりノベルティ検出が改善
• Authors: Mohammadreza Salehi, Atrin Arya, Barbod Pajoum, Mohammad Otoofi, Amirreza Shaeiri, Mohammad Hossein Rohban, Hamid R. Rabiee
• Abstract要約: オートエンコーダ(AE)は新規性検出問題にアプローチするために広く利用されている。 より意味論的に意味のある特徴を学習できる新しいAEを提案する。 よりシンプルなアーキテクチャを使用しているにもかかわらず、提案されたAEは、3つのベンチマークデータセットで最先端の競合に勝っているか、あるいは競合していることを示す。
• 参考スコア（独自算出の注目度）: 6.992807725367106
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autoencoders (AE) have recently been widely employed to approach the novelty detection problem. Trained only on the normal data, the AE is expected to reconstruct the normal data effectively while fail to regenerate the anomalous data, which could be utilized for novelty detection. However, in this paper, it is demonstrated that this does not always hold. AE often generalizes so perfectly that it can also reconstruct the anomalous data well. To address this problem, we propose a novel AE that can learn more semantically meaningful features. Specifically, we exploit the fact that adversarial robustness promotes learning of meaningful features. Therefore, we force the AE to learn such features by penalizing networks with a bottleneck layer that is unstable against adversarial perturbations. We show that despite using a much simpler architecture in comparison to the prior methods, the proposed AE outperforms or is competitive to state-of-the-art on three benchmark datasets.
• Abstract（参考訳）: オートエンコーダ(AE)は近年,新規性検出問題へのアプローチに広く利用されている。 正常データのみにトレーニングされたaeは、異常データの再生成に失敗しながら、正常データを効果的に再構築することが期待され、新奇な検出に利用できる。 しかし,本稿では,必ずしもそうではないことが示されている。 aeは、異常なデータをうまく再構築できるほど完璧に一般化することが多い。 この問題に対処するために,より意味論的に意味のある特徴を学習できる新しいAEを提案する。 具体的には、敵対的堅牢性が意味のある特徴の学習を促進するという事実を活用する。 そこで我々は,敵の摂動に対して不安定なボトルネック層でネットワークをペナライズすることで,AEにそのような特徴の学習を強制する。 従来の手法に比べてはるかにシンプルなアーキテクチャを用いているにもかかわらず、提案したAEは3つのベンチマークデータセットの最先端と競合する。

関連論文リスト

• Effort: Efficient Orthogonal Modeling for Generalizable AI-Generated Image Detection [66.16595174895802]
  既存のAI生成画像(AIGI)検出手法は、しばしば限定的な一般化性能に悩まされる。 本稿では、AIGI検出において、これまで見過ごされてきた重要な非対称性現象を同定する。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• Constricting Normal Latent Space for Anomaly Detection with Normal-only Training Data [11.237938539765825]
  オートエンコーダ(AE)は通常、データを再構築するために訓練される。 テスト期間中、AEは実際の異常を使用して訓練されていないため、異常データを十分に再構成することが期待されている。 我々は,新しい潜在的拘束損失を導入することで,AEの再建能力を制限することを提案する。
  論文  参考訳（メタデータ） (2024-03-24T19:22:15Z)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• Patch-wise Auto-Encoder for Visual Anomaly Detection [1.7546477549938133]
  本稿では,AEのアノマリーに対する再構成能力を弱めることなく向上することを目的としたパッチワイド自動エンコーダフレームワークを提案する。 本手法は,Mvtec ADベンチマークの最先端性能を向上し,本モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2023-08-01T10:15:15Z)
• Synthetic Pseudo Anomalies for Unsupervised Video Anomaly Detection: A Simple yet Efficient Framework based on Masked Autoencoder [1.9511777443446219]
  本稿では,ビデオ異常検出のための簡易かつ効率的なフレームワークを提案する。 擬似異常サンプルは、余分なデータ処理をせずにランダムマスクトークンを埋め込み、正規データのみから合成する。 また、正規性とそれに対応する擬似異常データから正規知識をよりよく学習するよう、AEsに促す正規性整合性訓練戦略を提案する。
  論文  参考訳（メタデータ） (2023-03-09T08:33:38Z)
• Be Your Own Neighborhood: Detecting Adversarial Example by the Neighborhood Relations Built on Self-Supervised Learning [64.78972193105443]
  本稿では,予測に有効な新しいAE検出フレームワークを提案する。 AEの異常な関係と拡張バージョンを区別して検出を行う。 表現を抽出し、ラベルを予測するために、既製の自己監視学習(SSL)モデルが使用される。
  論文  参考訳（メタデータ） (2022-08-31T08:18:44Z)
• Do autoencoders need a bottleneck for anomaly detection? [78.24964622317634]
  アイデンティティ関数を学習すると、異常検出にAEは役に立たない。 本研究では,非ボツルネック型AEの値について検討する。 無限大のAEを非ボトルネック型AEの極端な例として提案する。
  論文  参考訳（メタデータ） (2022-02-25T11:57:58Z)
• Momentum Contrastive Autoencoder: Using Contrastive Learning for Latent Space Distribution Matching in WAE [51.09507030387935]
  Wasserstein autoencoder (WAE) は、2つの分布が一致することは、このAEの潜在空間が予め指定された事前分布と一致するという制約の下で、単純なオートエンコーダ(AE)損失を最小限にすることと同値であることを示している。 本稿では,この問題を解決する手段として,自己指導型表現学習に有効であることを示すコントラスト学習フレームワークを提案する。 WAEの損失を最適化するために、対照的な学習フレームワークを使用することで、WAEの一般的なアルゴリズムと比較して、より高速に収束し、より安定した最適化が達成できることを示す。
  論文  参考訳（メタデータ） (2021-10-19T22:55:47Z)
• Synthetic Temporal Anomaly Guided End-to-End Video Anomaly Detection [16.436293069942312]
  オートエンコーダ(AE)は、しばしば異常検出性能を低下させる異常の再構築を開始する。 本研究では,正規データのみを用いて擬似異常を発生させる時間的擬似異常シンセサイザーを提案する。 AEは、通常のデータでこの損失を最小化しつつ、擬似異常の復元損失を最大化するように訓練される。
  論文  参考訳（メタデータ） (2021-10-19T07:08:44Z)
• Learning Not to Reconstruct Anomalies [14.632592282260363]
  オートエンコーダ(AE)は、通常のデータのみからなるトレーニングセットで入力を再構築するために訓練される。 AEは、異常なデータを十分に再構築しつつ、正常なデータを適切に再構築することが期待されている。 本稿では,入力によらず,通常のデータのみを再構築する目的で,AEを訓練するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-10-19T05:22:38Z)
• Unsupervised and self-adaptative techniques for cross-domain person re-identification [82.54691433502335]
  非重複カメラにおける人物再識別(ReID)は難しい課題である。 Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。 本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
  論文  参考訳（メタデータ） (2021-03-21T23:58:39Z)

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。