論文の概要: Deep Context-Aware Novelty Detection
- arxiv url: http://arxiv.org/abs/2006.01168v2
- Date: Sun, 6 Dec 2020 21:43:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-26 06:22:29.019242
- Title: Deep Context-Aware Novelty Detection
- Title（参考訳）: 深部文脈対応ノベルティ検出
- Authors: Ellen Rushe, Brian Mac Namee
- Abstract要約: ノベルティ検出の一般的な仮定は、「正規」データと「ノーベル」データの双方の分布が静的であるということである。
例えば、データが時間とともに進化するシナリオや、通常と新規の定義がコンテキスト情報に依存するシナリオなどです。
これは、あるシナリオにおける正規データの分布が別のシナリオにおける新規データの分布と似ているデータセット上でモデルをトレーニングしようとする場合、重大な困難を引き起こす可能性がある。
- 参考スコア（独自算出の注目度）: 6.599344783327053
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A common assumption of novelty detection is that the distribution of both
"normal" and "novel" data are static. This, however, is often not the case -
for example scenarios where data evolves over time or scenarios in which the
definition of normal and novel depends on contextual information, both leading
to changes in these distributions. This can lead to significant difficulties
when attempting to train a model on datasets where the distribution of normal
data in one scenario is similar to that of novel data in another scenario. In
this paper we propose a context-aware approach to novelty detection for deep
autoencoders to address these difficulties. We create a semi-supervised network
architecture that utilises auxiliary labels to reveal contextual information
and allow the model to adapt to a variety of contexts in which the definitions
of normal and novel change. We evaluate our approach on both image data and
real world audio data displaying these characteristics and show that the
performance of individually trained models can be achieved in a single model.
- Abstract（参考訳）: ノベルティ検出の一般的な仮定は、「正規」データと「ノーベル」データの分布が静的であるということである。
しかし、これは多くの場合、データが時間とともに進化するシナリオや、通常と新規の定義が文脈情報に依存するシナリオのようなケースではない。
これは、あるシナリオにおける通常のデータの分布が別のシナリオにおける新しいデータと類似しているデータセット上でモデルをトレーニングしようとすると、大きな困難をもたらす可能性がある。
本稿では,これらの問題に対処するディープオートエンコーダの新規性検出のためのコンテキスト認識手法を提案する。
我々は,補助ラベルを用いて文脈情報を明らかにする半教師付きネットワークアーキテクチャを構築し,モデルが正規化と新規化の定義を適用できるようにする。
画像データと実世界のオーディオデータの両方に対するアプローチを評価し,個別に学習したモデルの性能を1つのモデルで達成できることを示す。
関連論文リスト
- GM-DF: Generalized Multi-Scenario Deepfake Detection [49.072106087564144]
既存の偽造検出は、通常、単一のドメインでのトレーニングモデルのパラダイムに従う。
本稿では,複数の顔偽造検出データセットを共同で訓練した場合のディープフェイク検出モデルの一般化能力について詳しく検討する。
論文 参考訳（メタデータ） (2024-06-28T17:42:08Z) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z) - Anomaly Detection by Context Contrasting [57.695202846009714]
異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。
近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。
我々はコンテキスト拡張を通じて学習するCon$を提案する。
論文 参考訳（メタデータ） (2024-05-29T07:59:06Z) - Adaptive Test-Time Personalization for Federated Learning [51.25437606915392]
テスト時パーソナライズド・フェデレーション・ラーニング(TTPFL)と呼ばれる新しい設定を導入する。
TTPFLでは、クライアントはテスト期間中にラベル付きデータに頼ることなく、教師なしの方法でグローバルモデルをローカルに適応する。
本稿では,ソースドメイン間の分散シフトから,モデル内の各モジュールの適応率を適応的に学習する ATP という新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-28T20:42:47Z) - SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。
両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。
実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
論文 参考訳（メタデータ） (2023-04-06T17:36:23Z) - Identifying the Context Shift between Test Benchmarks and Production
Data [1.2259552039796024]
データセットベンチマークにおける機械学習モデルの精度と実運用データの間には、パフォーマンスのギャップがある。
分布変化とモデル予測誤差につながる文脈変化を同定する2つの手法を概説する。
本研究は,機械学習モデルに基づく暗黙の仮定を強調するケーススタディを2つ提示する。
論文 参考訳（メタデータ） (2022-07-03T14:54:54Z) - An Information-theoretic Approach to Distribution Shifts [9.475039534437332]
機械学習モデルを現実世界に安全にデプロイすることは、しばしば難しいプロセスである。
特定の地理的位置から得られたデータで訓練されたモデルは、他の場所で得られたデータでクエリされたときに失敗する傾向がある。
集団のサブセットに適合するニューラルネットワークは 選択バイアスを 与えるかもしれない
論文 参考訳（メタデータ） (2021-06-07T16:44:21Z) - Domain Impression: A Source Data Free Domain Adaptation Method [27.19677042654432]
教師なしドメイン適応法は、ソースデータセットがすべてのラベルで利用可能であると仮定して、ラベルなしのターゲットセットの適応問題を解決する。
本稿では,ソースデータを必要としないドメイン適応手法を提案する。
ソースデータの代わりに、ソースデータに基づいてトレーニングされた分類器のみを提供しています。
論文 参考訳（メタデータ） (2021-02-17T19:50:49Z) - Partially Conditioned Generative Adversarial Networks [75.08725392017698]
Generative Adversarial Networks (GAN)は、実世界のトレーニングデータセットの基盤となる確率分布を暗黙的にモデル化することで、人工データセットを合成する。
条件付きGANとその変種の導入により、これらの手法はデータセット内の各サンプルで利用可能な補助情報に基づいて条件付きサンプルを生成するように拡張された。
本研究では,標準条件付きGANがそのようなタスクに適さないことを論じ,新たなAdversarial Networkアーキテクチャとトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2020-07-06T15:59:28Z)
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。