論文の概要: Deep Learning for Anomaly Detection: A Review
- arxiv url: http://arxiv.org/abs/2007.02500v3
- Date: Sat, 5 Dec 2020 04:53:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-13 01:17:27.411558
- Title: Deep Learning for Anomaly Detection: A Review
- Title（参考訳）: 異常検出のためのディープラーニング:レビュー
- Authors: Guansong Pang, Chunhua Shen, Longbing Cao, Anton van den Hengel
- Abstract要約: 本稿では,3つの高レベルカテゴリと11の細粒度カテゴリの進歩を網羅した包括的分類法による深部異常検出の研究について調査する。
我々は、それらの重要な直観、客観的機能、基礎となる仮定、利点とデメリットをレビューし、上記の課題にどのように対処するかについて議論する。
- 参考スコア（独自算出の注目度）: 150.9270911031327
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomaly detection, a.k.a. outlier detection or novelty detection, has been a
lasting yet active research area in various research communities for several
decades. There are still some unique problem complexities and challenges that
require advanced approaches. In recent years, deep learning enabled anomaly
detection, i.e., deep anomaly detection, has emerged as a critical direction.
This paper surveys the research of deep anomaly detection with a comprehensive
taxonomy, covering advancements in three high-level categories and 11
fine-grained categories of the methods. We review their key intuitions,
objective functions, underlying assumptions, advantages and disadvantages, and
discuss how they address the aforementioned challenges. We further discuss a
set of possible future opportunities and new perspectives on addressing the
challenges.
- Abstract（参考訳）: 異常検出(英: anomaly detection, a.k. a. outlier detection or novelty detection)は、何十年もの間、様々な研究コミュニティで活発な研究領域である。
いまだに高度なアプローチを必要とする、ユニークな複雑な問題や課題がいくつかある。
近年,深層学習による異常検出,すなわち深部異常検出が重要視されている。
本稿では,3つの高レベルカテゴリと11の細粒度カテゴリの進歩を網羅した総合分類学による深部異常検出の研究について調査する。
我々は,彼らの主観,客観的機能,基礎となる前提,長所と短所をレビューし,それらの課題に対する対処方法について論じる。
我々はさらに,今後の可能性と課題への新たな展望について論じる。
関連論文リスト
- A Comprehensive Survey of Forgetting in Deep Learning Beyond Continual Learning [58.107474025048866]
蓄積とは、以前に獲得した知識の喪失または劣化を指す。
フォッテッティングは、深層学習における様々な研究領域でよく見られる現象である。
論文 参考訳（メタデータ） (2023-07-16T16:27:58Z) - Knowledge-enhanced Neural Machine Reasoning: A Review [67.51157900655207]
既存の知識強化手法を2つの主要なカテゴリと4つのサブカテゴリに分類する新しい分類法を導入する。
我々は、現在のアプリケーションドメインを解明し、将来的な研究の展望について洞察を提供する。
論文 参考訳（メタデータ） (2023-02-04T04:54:30Z) - Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。
時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。
本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
論文 参考訳（メタデータ） (2022-11-09T22:40:22Z) - A Critical Study on the Recent Deep Learning Based Semi-Supervised Video
Anomaly Detection Methods [3.198144010381572]
本稿では,この分野の研究者を新たな視点に紹介し,最近の深層学習に基づく半教師付きビデオ異常検出手法についてレビューする。
私たちのゴールは、より効果的なビデオ異常検出方法の開発を支援することです。
論文 参考訳（メタデータ） (2021-11-02T14:00:33Z) - Deep Video Anomaly Detection: Opportunities and Challenges [12.077052764803161]
異常検出は様々な研究状況において人気があり重要な課題である。
ディープラーニングは、音響、画像、自然言語処理など、いくつかの領域でその能力を示している。
このようなインテリジェントなシステムが私たちの日常生活で実現できれば、多くのメリットがあります。
論文 参考訳（メタデータ） (2021-10-11T08:41:51Z) - Visual Anomaly Detection for Images: A Survey [21.820617416485163]
文献における視覚異常検出のための古典的および深層学習に基づくアプローチを包括的に調査する。
本研究の目的は,視覚異常検出手法の共通原理を理解し,将来的な研究方向性を明らかにすることである。
論文 参考訳（メタデータ） (2021-09-27T16:10:54Z) - A Unifying Review of Deep and Shallow Anomaly Detection [38.202998314502786]
我々は、様々な方法によって暗黙的に行われることの多い仮定と同様に、共通の根底にある原則を特定することを目的としている。
本稿では,最近の説明可能性技術を用いて,既存の主要な手法を実証的に評価する。
我々は、重要なオープン課題を概説し、異常検出における今後の研究の道筋を特定する。
論文 参考訳（メタデータ） (2020-09-24T14:47:54Z) - 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) - Deep Learning for Sensor-based Human Activity Recognition: Overview,
Challenges and Opportunities [52.59080024266596]
本稿では,センサを用いた人間の活動認識のための最先端のディープラーニング手法について調査する。
まず、官能データのマルチモーダリティを導入し、公開データセットに情報を提供する。
次に、課題によって深層メソッドを構築するための新しい分類法を提案する。
論文 参考訳（メタデータ） (2020-01-21T09:55:59Z)
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。