論文の概要: Generating Artificial Outliers in the Absence of Genuine Ones -- a
Survey
- arxiv url: http://arxiv.org/abs/2006.03646v1
- Date: Fri, 5 Jun 2020 19:33:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 02:58:29.124106
- Title: Generating Artificial Outliers in the Absence of Genuine Ones -- a
Survey
- Title（参考訳）: 本物がいない人為的な異常値の生成 - 調査
- Authors: Georg Steinbuss and Klemens B\"ohm
- Abstract要約: 文学は、人工的なアウトリーチを生成するための様々なアプローチを特徴としている。
まず、出版から出版まで多岐にわたる分野における用語を明確にすることから始める。
それらの一般的な概念と、それらが真のインスタンスをどのように利用するかによって、アプローチをグループ化します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: By definition, outliers are rarely observed in reality, making them difficult
to detect or analyse. Artificial outliers approximate such genuine outliers and
can, for instance, help with the detection of genuine outliers or with
benchmarking outlier-detection algorithms. The literature features different
approaches to generate artificial outliers. However, systematic comparison of
these approaches remains absent. This surveys and compares these approaches. We
start by clarifying the terminology in the field, which varies from publication
to publication, and we propose a general problem formulation. Our description
of the connection of generating outliers to other research fields like
experimental design or generative models frames the field of artificial
outliers. Along with offering a concise description, we group the approaches by
their general concepts and how they make use of genuine instances. An extensive
experimental study reveals the differences between the generation approaches
when ultimately being used for outlier detection. This survey shows that the
existing approaches already cover a wide range of concepts underlying the
generation, but also that the field still has potential for further
development. Our experimental study does confirm the expectation that the
quality of the generation approaches varies widely, for example, in terms of
the data set they are used on. Ultimately, to guide the choice of the
generation approach in a specific context, we propose an appropriate
general-decision process. In summary, this survey comprises, describes, and
connects all relevant work regarding the generation of artificial outliers and
may serve as a basis to guide further research in the field.
- Abstract（参考訳）: 定義上、異常値が現実に観測されることはほとんどなく、検出や解析が困難である。
人工的外れ値(artificial outliers)は、そのような真の外れ値に近似し、例えば、本物の外れ値の検出や、ベンチマークの外れ値検出アルゴリズムに役立つ。
文学は、人工的なアウトリーチを生成する様々なアプローチを特徴としている。
しかし、これらのアプローチの体系的な比較はいまだにない。
このアプローチを調査して比較する。
まず、出版から出版まで様々である分野の用語を明確にし、一般的な問題定式化を提案する。
実験設計や生成モデルといった他の研究分野へのアウトリアー生成の関連について,人工アウトリアーの分野を概説する。
簡潔な説明を提供するとともに、それらの一般的な概念とそれらが真のインスタンスをどのように利用するかによってアプローチをグループ化する。
広範囲にわたる実験的研究は、最終的に外れ値検出に使用される場合の世代的アプローチの違いを明らかにしている。
この調査は、既存のアプローチが世代の基礎となる幅広い概念をすでにカバーしていることを示しているが、この分野は今後も発展する可能性があることも示している。
私たちの実験では、例えば、使用するデータセットの観点で、生成アプローチの品質が広く変化するという期待を裏付けています。
最終的に、特定の文脈における生成アプローチの選択を導くために、適切な一般決定プロセスを提案する。
要約すると、この調査は人工外乱の発生に関するすべての関連する研究を包含し、記述し、接続し、この分野におけるさらなる研究の指針となる。
関連論文リスト
- Online Model-based Anomaly Detection in Multivariate Time Series: Taxonomy, Survey, Research Challenges and Future Directions [0.017476232824732776]
時系列異常検出は、エンジニアリングプロセスにおいて重要な役割を果たす。
この調査では、オンラインとオフラインの区別とトレーニングと推論を行う新しい分類法を紹介した。
文献で使用される最も一般的なデータセットと評価指標、および詳細な分析を示す。
論文 参考訳（メタデータ） (2024-08-07T13:01:10Z) - A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。
このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。
我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文 参考訳（メタデータ） (2024-06-05T13:40:07Z) - Demystifying amortized causal discovery with transformers [21.058343547918053]
観測データからの因果発見のための教師付き学習アプローチは、しばしば競争性能を達成する。
本研究では,CSIvAについて検討する。CSIvAは,合成データのトレーニングと実データへの転送を約束するトランスフォーマーモデルである。
既存の識別可能性理論とギャップを埋め、トレーニングデータ分布の制約がテスト観測の事前を暗黙的に定義していることを示します。
論文 参考訳（メタデータ） (2024-05-27T08:17:49Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - Diversified Outlier Exposure for Out-of-Distribution Detection via
Informative Extrapolation [110.34982764201689]
Out-of-Distribution(OOD)検出は、現実のアプリケーションに信頼性の高い機械学習モデルをデプロイするために重要である。
近年, 外部曝露によるOOD検出に有意な結果が得られた。
本稿では,補助外乱量に基づく情報外挿による効果的なOOD検出のための新しい枠組み,すなわちDivOE(Diversified Outlier Exposure)を提案する。
論文 参考訳（メタデータ） (2023-10-21T07:16:09Z) - OpenOOD: Benchmarking Generalized Out-of-Distribution Detection [60.13300701826931]
アウト・オブ・ディストリビューション(OOD)検出は、安全クリティカルな機械学習アプリケーションにとって不可欠である。
この分野では現在、統一的で厳格に定式化され、包括的なベンチマークが欠けている。
関連フィールドで開発された30以上のメソッドを実装したOpenOODという,統一的で構造化されたシステムを構築します。
論文 参考訳（メタデータ） (2022-10-13T17:59:57Z) - Estimation Contracts for Outlier-Robust Geometric Perception [25.105820975269506]
外乱推定は基本的な問題であり、統計学者によって広く研究されている。
我々は,近代的な推定アルゴリズムが,外れ値の存在下で地上に近い推定値を取得することを保証した入力条件を提供する。
論文 参考訳（メタデータ） (2022-08-22T18:01:49Z) - Assaying Out-Of-Distribution Generalization in Transfer Learning [103.57862972967273]
私たちは、経験的に対処するメッセージの相違を強調して、以前の作業の統一的なビューを取ります。
私たちは9つの異なるアーキテクチャから、多数の、あるいは少数の設定で31K以上のネットワークを微調整しました。
論文 参考訳（メタデータ） (2022-07-19T12:52:33Z) - A Unified Survey on Anomaly, Novelty, Open-Set, and Out-of-Distribution
Detection: Solutions and Future Challenges [28.104112546546936]
機械学習モデルは、トレーニング分布から分岐したサンプルに遭遇することが多い。
類似した共有概念にもかかわらず、アウト・オブ・ディストリビューション、オープン・セット、異常検出は独立して研究されている。
本調査は,各分野における多数の卓越した作品について,クロスドメインかつ包括的レビューを行うことを目的としている。
論文 参考訳（メタデータ） (2021-10-26T22:05:31Z) - A Deep Variational Approach to Clustering Survival Data [5.871238645229228]
変分深層クラスタリングにおけるクラスタサバイバルデータに対する新しい確率的アプローチを提案する。
提案手法は,説明変数と潜在的に検閲された生存時間の両方の分布を明らかにするために,深い生成モデルを用いている。
論文 参考訳（メタデータ） (2021-06-10T14:10:25Z) - Anomalous Example Detection in Deep Learning: A Survey [98.2295889723002]
本調査は,ディープラーニングアプリケーションにおける異常検出の研究について,構造化された包括的概要を提供する。
既存の技術に対する分類法を,その基礎となる前提と採用アプローチに基づいて提案する。
本稿では,DLシステムに異常検出技術を適用しながら未解決の研究課題を取り上げ,今後の課題について述べる。
論文 参考訳（メタデータ） (2020-03-16T02:47:23Z)
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。