Fugu-MT 論文翻訳(概要): Old is Gold: Redefining the Adversarially Learned One-Class Classifier Training Paradigm

論文の概要: Old is Gold: Redefining the Adversarially Learned One-Class Classifier Training Paradigm

arxiv url: http://arxiv.org/abs/2004.07657v4
Date: Fri, 19 Jun 2020 08:06:34 GMT
ステータス: 処理完了
システム内更新日: 2022-12-12 21:45:41.930436
Title: Old is Gold: Redefining the Adversarially Learned One-Class Classifier Training Paradigm
Title（参考訳）: Old is Gold: 逆学習型一型分類学習パラダイムの再定義
Authors: Muhammad Zaigham Zaheer, Jin-ha Lee, Marcella Astrid, Seung-Ik Lee
Abstract要約: 異常検出の一般的な方法は、逆数ネットワークのジェネレータを使用して異常スコアを定式化することである。本研究では,幅広いトレーニング段階にわたって,安定した結果を効果的に生成するフレームワークを提案する。我々のモデルは,最近の最先端手法を超越して,98.1%のフレームレベルAUCを実現する。
参考スコア（独自算出の注目度）: 15.898383112569237
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A popular method for anomaly detection is to use the generator of an adversarial network to formulate anomaly scores over reconstruction loss of input. Due to the rare occurrence of anomalies, optimizing such networks can be a cumbersome task. Another possible approach is to use both generator and discriminator for anomaly detection. However, attributed to the involvement of adversarial training, this model is often unstable in a way that the performance fluctuates drastically with each training step. In this study, we propose a framework that effectively generates stable results across a wide range of training steps and allows us to use both the generator and the discriminator of an adversarial model for efficient and robust anomaly detection. Our approach transforms the fundamental role of a discriminator from identifying real and fake data to distinguishing between good and bad quality reconstructions. To this end, we prepare training examples for the good quality reconstruction by employing the current generator, whereas poor quality examples are obtained by utilizing an old state of the same generator. This way, the discriminator learns to detect subtle distortions that often appear in reconstructions of the anomaly inputs. Extensive experiments performed on Caltech-256 and MNIST image datasets for novelty detection show superior results. Furthermore, on UCSD Ped2 video dataset for anomaly detection, our model achieves a frame-level AUC of 98.1%, surpassing recent state-of-the-art methods.
Abstract（参考訳）: 異常検出の一般的な方法は、逆ネットワークのジェネレータを使用して、入力の再構成損失に対する異常スコアを定式化することである。異常の稀な発生のため、そのようなネットワークを最適化するのは面倒な作業である。もう1つの可能なアプローチは、ジェネレータと判別器の両方を異常検出に使うことである。しかしながら、逆行訓練の関与により、このモデルは、各トレーニングステップでパフォーマンスが劇的に変動する方法で不安定であることが多い。本研究では,幅広い訓練ステップにおいて安定な結果を効果的に生成し,効率的かつロバストな異常検出のために,敵モデルのジェネレータと判別器の両方を利用可能にする枠組みを提案する。当社のアプローチは,判別器の基本的な役割を,実データと偽データの識別から,良質な再構築と悪質な再構築の区別へと変換する。そこで本研究では,電流発生器を用いて良質な復元のための訓練例を作成し,一方,同一発生器の古い状態を利用して粗悪な品質例を得る。このようにして、判別器は、しばしば異常入力の再構成に現れる微妙な歪みを検出することを学ぶ。 caltech-256およびmnist画像データセットを用いた新奇性検出のための広範囲な実験により、優れた結果が得られた。さらに,異常検出のためのUCSD Ped2ビデオデータセットでは,最新の最先端手法を上回る98.1%のフレームレベルAUCを実現している。

関連論文リスト

ToCoAD: Two-Stage Contrastive Learning for Industrial Anomaly Detection [10.241033980055695]
本稿では,textbfToCoADと呼ばれる2段階のトレーニング戦略を提案する。第1段階では、自己教師付き学習方法で合成異常を用いて識別ネットワークを訓練する。そして、このネットワークを第2段階で利用し、ブートストラップコントラスト学習を通じて特徴抽出器のトレーニングを支援する負の特徴ガイドを提供する。
論文参考訳（メタデータ） (2024-07-01T14:19:36Z)
Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
論文参考訳（メタデータ） (2024-01-06T07:30:41Z)
Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文参考訳（メタデータ） (2023-11-27T13:14:06Z)
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)
Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
論文参考訳（メタデータ） (2022-11-16T21:31:39Z)
Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文参考訳（メタデータ） (2022-06-23T14:16:30Z)
Stabilizing Adversarially Learned One-Class Novelty Detection Using Pseudo Anomalies [22.48845887819345]
異常スコアは、逆学習されたジェネレータの再構成損失と/または識別器の分類損失を用いて定式化されている。トレーニングデータにおける異常な例の有効性は、そのようなネットワークの最適化を困難にしている。本研究では,判別器の基本的役割を,実データと偽データとの識別から,良質データと悪質データとの区別に転換することで,そのような不安定性を克服する堅牢な異常検出フレームワークを提案する。
論文参考訳（メタデータ） (2022-03-25T15:37:52Z)
TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文参考訳（メタデータ） (2020-09-16T15:52:04Z)
G2D: Generate to Detect Anomaly [10.977404378308817]
我々は、通常のサンプルのみを用いて、GANスタイルの2つのディープニューラルネットワーク(ジェネレータと判別器)を学習する。トレーニングフェーズでは、ジェネレータが正常なデータの生成に失敗した場合、不規則なジェネレータと見なすことができる。生成した異常サンプルのバイナリ分類器と正常なインスタンスをトレーニングして不規則を検出する。
論文参考訳（メタデータ） (2020-06-20T18:02:50Z)
Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。我々は,再建基準の代替として,異常スコアの代替尺度を提案した。提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文参考訳（メタデータ） (2020-03-24T08:26:58Z)
Regularized Cycle Consistent Generative Adversarial Network for Anomaly Detection [5.457279006229213]
本稿では, ニューラルネットワークを逆向きに訓練し, 異常なサンプルをよりよく認識するRCGAN(Regularized Cycle Consistent Generative Adversarial Network)を提案する。実世界のデータと合成データの両方に対する実験結果から,我々のモデルが過去の異常検出ベンチマークにおいて有意かつ一貫した改善をもたらすことが示された。
論文参考訳（メタデータ） (2020-01-18T03:35:05Z)

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。