論文の概要: Novelty Detection via Robust Variational Autoencoding
- arxiv url: http://arxiv.org/abs/2006.05534v3
- Date: Wed, 7 Oct 2020 00:56:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 14:19:18.177960
- Title: Novelty Detection via Robust Variational Autoencoding
- Title(参考訳): ロバスト変分自動符号化による新規検出
- Authors: Chieh-Hsin Lai, Dongmian Zou and Gilad Lerman
- Abstract要約: 本稿では,トレーニングポイントの破壊を許容する新規性検出法を提案する。
本手法は,非破壊訓練点のモデルを生成することを目的とした,ロバストな変分オートエンコーダ(VAE)を訓練する。
- 参考スコア(独自算出の注目度): 13.664682865991255
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a new method for novelty detection that can tolerate high
corruption of the training points, whereas previous works assumed either no or
very low corruption. Our method trains a robust variational autoencoder (VAE),
which aims to generate a model for the uncorrupted training points. To gain
robustness to high corruption, we incorporate the following four changes to the
common VAE: 1. Extracting crucial features of the latent code by a carefully
designed dimension reduction component for distributions; 2. Modeling the
latent distribution as a mixture of Gaussian low-rank inliers and full-rank
outliers, where the testing only uses the inlier model; 3. Applying the
Wasserstein-1 metric for regularization, instead of the Kullback-Leibler (KL)
divergence; and 4. Using a least absolute deviation error for reconstruction.
We establish both robustness to outliers and suitability to low-rank modeling
of the Wasserstein metric as opposed to the KL divergence. We illustrate
state-of-the-art results on standard benchmarks for novelty detection.
- Abstract(参考訳): そこで本研究では, 訓練点の高い腐敗を許容できる新奇性検出法を提案する。
提案手法は,制約のないトレーニングポイントのモデル生成を目的としたロバスト変分オートエンコーダ(vae)を訓練する。
高汚職に対する堅牢性を得るために、以下4つの変更を加えます。
1. 分散のために慎重に設計された次元縮小成分による潜伏符号の重要な特徴の抽出
2. テストがインリアーモデルのみを使用するガウス低ランクのインリアーとフルランクのアウトリアーの混合として潜在分布をモデル化する。
3. kullback-leibler (kl) 分岐の代わりに、正規化にwasserstein-1メトリックを適用すること。
4. 再構成に最小絶対偏差誤差を用いる。
我々は、KLの発散とは対照的に、外れ値に対するロバスト性と、ワッサーシュタイン計量の低ランクモデリングに適合性の両方を確立する。
本稿では,新奇性検出のための標準ベンチマークについて,最新の結果を示す。
関連論文リスト
- Robust Fine-tuning of Zero-shot Models via Variance Reduction [56.360865951192324]
微調整ゼロショットモデルの場合、このデシドラトゥムは細調整モデルで、分布内(ID)と分布外(OOD)の両方で優れる。
トレードオフを伴わずに最適なIDとOODの精度を同時に達成できるサンプルワイズアンサンブル手法を提案する。
論文 参考訳(メタデータ) (2024-11-11T13:13:39Z) - Selective Learning: Towards Robust Calibration with Dynamic Regularization [79.92633587914659]
ディープラーニングにおけるミススキャリブレーションとは、予測された信頼とパフォーマンスの間には相違がある、という意味である。
トレーニング中に何を学ぶべきかを学ぶことを目的とした動的正規化(DReg)を導入し、信頼度調整のトレードオフを回避する。
論文 参考訳(メタデータ) (2024-02-13T11:25:20Z) - Training Normalizing Flows with the Precision-Recall Divergence [73.92251251511199]
特定精度リコールトレードオフを達成することは、em PR-divergencesと呼ぶ家族からの-divergencesの最小化に相当することを示す。
本稿では, 正規化フローをトレーニングして, 偏差を最小化し, 特に, 所与の高精度リコールトレードオフを実現する新しい生成モデルを提案する。
論文 参考訳(メタデータ) (2023-02-01T17:46:47Z) - Robustness and Accuracy Could Be Reconcilable by (Proper) Definition [109.62614226793833]
強靭性と精度のトレードオフは、敵文学において広く研究されている。
局所的不変性の帰納的バイアスを課す不適切に定義された頑健な誤差に由来する可能性がある。
定義上、SCOREは、最悪のケースの不確実性に対処しながら、堅牢性と正確性の間の和解を促進する。
論文 参考訳(メタデータ) (2022-02-21T10:36:09Z) - The KFIoU Loss for Rotated Object Detection [115.334070064346]
本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。
具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。
KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
論文 参考訳(メタデータ) (2022-01-29T10:54:57Z) - Toward Minimal Misalignment at Minimal Cost in One-Stage and Anchor-Free
Object Detection [6.486325109549893]
分類と回帰の分岐は、同じ規模と同じ空間的位置から特徴に対して異なる感受性を持つ。
本稿では,高い分類信頼点が高い回帰品質を持つという仮定に基づいて,点に基づく予測手法を提案する。
我々は,この現象を最小限のコストで解決することを目指しており,頭部ネットワークの微調整と,剛体ネットワークを置き換えた新しいラベル割り当て手法を提案する。
論文 参考訳(メタデータ) (2021-12-16T14:22:13Z) - Tomographic Auto-Encoder: Unsupervised Bayesian Recovery of Corrupted
Data [4.725669222165439]
破損したデータの教師なし回復のための新しい確率的手法を提案する。
劣化したサンプルの大規模なアンサンブルを考慮し,クリーンな値の正確な後部を復元する。
我々は、欠落した値とノイズの共通の設定の下で、データリカバリタスクでモデルをテストします。
論文 参考訳(メタデータ) (2020-06-30T16:18:16Z) - Interpreting Rate-Distortion of Variational Autoencoder and Using Model
Uncertainty for Anomaly Detection [5.491655566898372]
表現学習による教師なし異常検出のためのスケーラブルな機械学習システムを構築した。
本稿では,情報理論の観点からVAEを再考し,再構成誤差を用いた理論的基礎を提供する。
ベンチマークデータセットに対するアプローチの競合性能を実証的に示す。
論文 参考訳(メタデータ) (2020-05-05T00:03:48Z) - 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)
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。