論文の概要: Unsupervised Transfer Learning for Anomaly Detection: Application to
Complementary Operating Condition Transfer
- arxiv url: http://arxiv.org/abs/2008.07815v2
- Date: Tue, 24 Nov 2020 10:32:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 20:45:18.774904
- Title: Unsupervised Transfer Learning for Anomaly Detection: Application to
Complementary Operating Condition Transfer
- Title（参考訳）: 異常検出のための教師なし移動学習:補完動作条件伝達への応用
- Authors: Gabriel Michau and Olga Fink
- Abstract要約: 異常検知器は、健康な運転条件データに基づいて訓練され、測定されたサンプルがトレーニングデータ分布から逸脱したときに警報を発する。
この問題の解決策は、異なるユニット間で補完データを転送するunsupervised transfer learning (UTL)を実行することである。
提案するフレームワークは,より堅牢な異常検出装置を訓練するための,非教師なしの方法で,異なるユニット間で補完的な動作条件を伝達するように設計されている。
- 参考スコア（独自算出の注目度）: 1.5990720051907859
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomaly Detectors are trained on healthy operating condition data and raise
an alarm when the measured samples deviate from the training data distribution.
This means that the samples used to train the model should be sufficient in
quantity and representative of the healthy operating conditions. But for
industrial systems subject to changing operating conditions, acquiring such
comprehensive sets of samples requires a long collection period and delay the
point at which the anomaly detector can be trained and put in operation.
A solution to this problem is to perform unsupervised transfer learning
(UTL), to transfer complementary data between different units. In the
literature however, UTL aims at finding common structure between the datasets,
to perform clustering or dimensionality reduction. Yet, the task of
transferring and combining complementary training data has not been studied.
Our proposed framework is designed to transfer complementary operating
conditions between different units in a completely unsupervised way to train
more robust anomaly detectors. It differs, thereby, from other unsupervised
transfer learning works as it focuses on a one-class classification problem.
The proposed methodology enables to detect anomalies in operating conditions
only experienced by other units. The proposed end-to-end framework uses
adversarial deep learning to ensure alignment of the different units'
distributions. The framework introduces a new loss, inspired by a
dimensionality reduction tool, to enforce the conservation of the inherent
variability of each dataset, and uses state-of-the art once-class approach to
detect anomalies. We demonstrate the benefit of the proposed framework using
three open source datasets.
- Abstract（参考訳）: 正常な運転状態データに基づいて異常検知器を訓練し、測定したサンプルがトレーニングデータ分布から逸脱した場合に警報を発する。
つまり、モデルのトレーニングに使用するサンプルは、十分な量で、健全な運用条件を表現すべきである。
しかし, 運転条件が変化する産業システムでは, このような包括的サンプルの取得には長い収集期間が必要であり, 異常検知器の訓練や運用を遅らせる必要がある。
この問題の解決策は、異なるユニット間で補完データを転送するunsupervised transfer learning (UTL)を実行することである。
しかし、文献では、UTLはデータセット間の共通構造を見つけ、クラスタリングや次元還元を行うことを目的としている。
しかし、相補的なトレーニングデータの転送と結合に関する課題は研究されていない。
提案するフレームワークは,より堅牢な異常検出装置を訓練するための,非教師なしの方法で,異なるユニット間で補完的な動作条件を伝達するように設計されている。
したがって、一級分類問題に焦点を絞った他の教師なし転帰学習作業とは異なる。
提案手法では,他のユニットが経験する操作条件の異常を検出することができる。
提案するエンドツーエンドフレームワークでは,逆深層学習を用いて,各ユニットの分布の整合性を確保する。
このフレームワークは、次元縮小ツールにインスパイアされた新しい損失を導入し、各データセットの固有の変動可能性の保存を強制し、最先端のワンスクラスアプローチを使用して異常を検出する。
提案するフレームワークの利点を3つのオープンソースデータセットで示す。
関連論文リスト
- Unsupervised Transfer Learning via Adversarial Contrastive Training [3.227277661633986]
対戦型コントラスト学習(ACT)を用いた新しい教師なしトランスファー学習手法を提案する。
実験により, 細調整線形プローブとK-NNプロトコルを用いて, 各種データセットの分類精度に優れることを示した。
論文 参考訳（メタデータ） (2024-08-16T05:11:52Z) - GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。
本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。
提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
論文 参考訳（メタデータ） (2024-07-17T09:27:41Z) - A Self-Organizing Clustering System for Unsupervised Distribution Shift Detection [1.0436203990235575]
本稿では,分布変化のモニタリングと検出のための連続学習フレームワークを提案する。
特に,2つのトポロジ保存マップ(自己組織化マップ)とスケール不変マップ(スケール不変マップ)の投影について検討する。
本手法は教師なしコンテキストと教師なしコンテキストの両方に適用できる。
論文 参考訳（メタデータ） (2024-04-25T14:48:29Z) - Unsupervised Continual Anomaly Detection with Contrastively-learned
Prompt [80.43623986759691]
UCADと呼ばれる新しい非教師付き連続異常検出フレームワークを提案する。
このフレームワークは、対照的に学習したプロンプトを通じて、UDAに継続的な学習能力を持たせる。
我々は総合的な実験を行い、教師なし連続異常検出とセグメンテーションのベンチマークを設定した。
論文 参考訳（メタデータ） (2024-01-02T03:37:11Z) - A Distinct Unsupervised Reference Model From The Environment Helps
Continual Learning [5.332329421663282]
Open-Set Semi-Supervised Continual Learning (OSSCL)は、より現実的な半教師付き連続学習環境である。
i) 参照ネットワークは、未ラベルサンプルの幅広いスペクトルを用いて、環境における汎用的およびタスク非依存的な知識をキャプチャし、(ii) 学習者ネットワークは、教師付きサンプルを利用してタスク固有表現を学習するように設計されている。
論文 参考訳（メタデータ） (2023-01-11T15:05:36Z) - Semi-supervised detection of structural damage using Variational
Autoencoder and a One-Class Support Vector Machine [0.0]
本稿では,構造異常を検出するためのデータ駆動型手法を用いた半教師付き手法を提案する。
IASC-ASCE 構造健康モニタリングタスクグループによって9つの損傷シナリオで試験されたスケールスチール構造に適用した。
論文 参考訳（メタデータ） (2022-10-11T07:39:08Z) - Hierarchical Semi-Supervised Contrastive Learning for
Contamination-Resistant Anomaly Detection [81.07346419422605]
異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。
コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。
汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-24T18:49:26Z) - CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。
本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
論文 参考訳（メタデータ） (2022-06-01T03:02:07Z) - Leveraging Ensembles and Self-Supervised Learning for Fully-Unsupervised
Person Re-Identification and Text Authorship Attribution [77.85461690214551]
完全ラベル付きデータからの学習は、Person Re-IdentificationやText Authorship Attributionなどのマルチメディアフォレスト問題において困難である。
近年の自己教師型学習法は,基礎となるクラスに意味的差異が有る場合に,完全ラベル付きデータを扱う際に有効であることが示されている。
本研究では,異なるクラスからのサンプルが顕著に多様性を持っていない場合でも,ラベルのないデータから学習できるようにすることにより,個人再認識とテキストオーサシップの属性に対処する戦略を提案する。
論文 参考訳（メタデータ） (2022-02-07T13:08:11Z) - Dense Out-of-Distribution Detection by Robust Learning on Synthetic
Negative Data [1.7474352892977458]
道路走行シーンとリモートセンシング画像における分布外異常の検出方法を示す。
我々は,カバレッジ指向学習の目的と異なる解像度でサンプルを生成する能力により,共同で訓練された正規化フローを活用する。
結果として得られたモデルは、道路走行シーンとリモートセンシング画像におけるアウト・オブ・ディストリビューション検出のためのベンチマークに、新たな技術状況を設定した。
論文 参考訳（メタデータ） (2021-12-23T20:35:10Z) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳（メタデータ） (2021-11-30T18:42:42Z)
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。