論文の概要: ARCADe: A Rapid Continual Anomaly Detector

• arxiv url: http://arxiv.org/abs/2008.04042v2
• Date: Sun, 18 Oct 2020 17:34:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 22:30:51.740138
• Title: ARCADe: A Rapid Continual Anomaly Detector
• Title（参考訳）: アーケード:迅速な連続的異常検知装置
• Authors: Ahmed Frikha, Denis Krompa{\ss} and Volker Tresp
• Abstract要約: 連続異常検出(CAD)の新しい学習問題に対処する。 ニューラルネットをトレーニングするアプローチであるARCADeを提案する。 3つのデータセットを用いた実験の結果、ARCADeは連続学習と異常検出の文献からベースラインを大幅に上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 25.34227775187408
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although continual learning and anomaly detection have separately been well-studied in previous works, their intersection remains rather unexplored. The present work addresses a learning scenario where a model has to incrementally learn a sequence of anomaly detection tasks, i.e. tasks from which only examples from the normal (majority) class are available for training. We define this novel learning problem of continual anomaly detection (CAD) and formulate it as a meta-learning problem. Moreover, we propose A Rapid Continual Anomaly Detector (ARCADe), an approach to train neural networks to be robust against the major challenges of this new learning problem, namely catastrophic forgetting and overfitting to the majority class. The results of our experiments on three datasets show that, in the CAD problem setting, ARCADe substantially outperforms baselines from the continual learning and anomaly detection literature. Finally, we provide deeper insights into the learning strategy yielded by the proposed meta-learning algorithm.
• Abstract（参考訳）: 連続的な学習と異常検出は、以前の研究で別々に研究されてきたが、それらの交点は未解明のままである。 本研究は、モデルが異常検出タスクの列を段階的に学習しなければならない学習シナリオ、すなわち、通常の(多数派)クラスの例のみがトレーニングに利用できるタスクに対処する。 本稿では,連続異常検出(CAD)の新たな学習問題をメタ学習問題として定式化する。 さらに、ニューラルネットワークをトレーニングし、この新たな学習問題の主な課題、すなわち破滅的な忘れ忘れと多数派に過度に適合させるアプローチである、Rapid Continual Anomaly Detector (ARCADe)を提案する。 3つのデータセットを用いた実験の結果,cad問題設定において,アーケードが連続学習および異常検出文献のベースラインを大きく上回ることがわかった。 最後に,提案したメタ学習アルゴリズムがもたらす学習戦略について,より深い知見を提供する。

関連論文リスト

• Can Tree Based Approaches Surpass Deep Learning in Anomaly Detection? A Benchmarking Study [0.6291443816903801]
  本稿では,機械学習に基づく異常検出アルゴリズムの多種多様さを評価する。 本論文は, 種々の異常検出アルゴリズムの非バイアス比較を行うことにより, 顕著に寄与する。
  論文  参考訳（メタデータ） (2024-02-11T19:12:51Z)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• Precursor-of-Anomaly Detection for Irregular Time Series [31.73234935455713]
  本稿では,新しいタイプの異常検出法であるPrecursor-of-Anomaly(PoA)について述べる。 両問題を同時に解くために,ニューラルネットワークとマルチタスク学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-27T14:10:09Z)
• CNTS: Cooperative Network for Time Series [7.356583983200323]
  本稿では,協調ネットワーク時系列法(Cooperative Network Time Series approach)と呼ばれる,教師なし異常検出のための新しい手法を提案する。 CNTSの中心的な側面は多目的最適化の問題であり、協調的な解法戦略によって解決される。 実世界の3つのデータセットの実験は、CNTSの最先端性能を示し、検出器と再構成器の協調的有効性を確認する。
  論文  参考訳（メタデータ） (2023-02-20T06:55:10Z)
• Spatio-temporal predictive tasks for abnormal event detection in videos [60.02503434201552]
  オブジェクトレベルの正規化パターンを学習するための制約付きプレテキストタスクを提案する。 我々のアプローチは、ダウンスケールの視覚的クエリとそれに対応する正常な外観と運動特性のマッピングを学習することである。 いくつかのベンチマークデータセットの実験では、異常の局所化と追跡のためのアプローチの有効性が示されている。
  論文  参考訳（メタデータ） (2022-10-27T19:45:12Z)
• Fine-grained Anomaly Detection via Multi-task Self-Supervision [2.9237210794416755]
  自己監督学習は異常検出を含む多くの方法に大いに役立っています。 マルチタスクフレームワークであるhigh-scale shape features oriented taskとlow-scale fine features oriented taskを組み合わせることで,細粒度の異常検出を大幅に改善する。 AUROCで測定された最大31%の相対誤差低減で、様々な異常検出問題において最先端のパフォーマンスを発揮します。
  論文  参考訳（メタデータ） (2021-04-20T14:19:08Z)
• Meta-learning One-class Classifiers with Eigenvalue Solvers for Supervised Anomaly Detection [55.888835686183995]
  教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。 提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
  論文  参考訳（メタデータ） (2021-03-01T01:43:04Z)
• Anomaly Detection in Video via Self-Supervised and Multi-Task Learning [113.81927544121625]
  ビデオにおける異常検出は、コンピュータビジョンの問題である。 本稿では,オブジェクトレベルでの自己教師型およびマルチタスク学習を通じて,ビデオ中の異常事象検出にアプローチする。
  論文  参考訳（メタデータ） (2020-11-15T10:21:28Z)
• 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)
• Meta Cyclical Annealing Schedule: A Simple Approach to Avoiding Meta-Amortization Error [50.83356836818667]
  循環型アニーリングスケジュールとMMD基準を用いた新しいメタレギュラー化目標を構築した。 実験の結果,本手法は標準的なメタ学習アルゴリズムよりもかなり優れていることがわかった。
  論文  参考訳（メタデータ） (2020-03-04T04:43:16Z)

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。