論文の概要: Meta-AAD: Active Anomaly Detection with Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2009.07415v1
• Date: Wed, 16 Sep 2020 01:47:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 23:11:35.627190
• Title: Meta-AAD: Active Anomaly Detection with Deep Reinforcement Learning
• Title（参考訳）: Meta-AAD: 深層強化学習によるアクティブ異常検出
• Authors: Daochen Zha, Kwei-Herng Lai, Mingyang Wan, Xia Hu
• Abstract要約: 偽陽性率が高いことは、異常検出アルゴリズムの長年の課題である。 本稿では,クエリ選択のためのメタポリシーを学習する新しいフレームワーク,Meta-AAD(Active Anomaly Detection with Meta-Policy)を提案する。
• 参考スコア（独自算出の注目度）: 56.65934079419417
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High false-positive rate is a long-standing challenge for anomaly detection algorithms, especially in high-stake applications. To identify the true anomalies, in practice, analysts or domain experts will be employed to investigate the top instances one by one in a ranked list of anomalies identified by an anomaly detection system. This verification procedure generates informative labels that can be leveraged to re-rank the anomalies so as to help the analyst to discover more true anomalies given a time budget. Some re-ranking strategies have been proposed to approximate the above sequential decision process. Specifically, existing strategies have been focused on making the top instances more likely to be anomalous based on the feedback. Then they greedily select the top-1 instance for query. However, these greedy strategies could be sub-optimal since some low-ranked instances could be more helpful in the long-term. In this work, we propose Active Anomaly Detection with Meta-Policy (Meta-AAD), a novel framework that learns a meta-policy for query selection. Specifically, Meta-AAD leverages deep reinforcement learning to train the meta-policy to select the most proper instance to explicitly optimize the number of discovered anomalies throughout the querying process. Meta-AAD is easy to deploy since a trained meta-policy can be directly applied to any new datasets without further tuning. Extensive experiments on 24 benchmark datasets demonstrate that Meta-AAD significantly outperforms the state-of-the-art re-ranking strategies and the unsupervised baseline. The empirical analysis shows that the trained meta-policy is transferable and inherently achieves a balance between long-term and short-term rewards.
• Abstract（参考訳）: 高偽陽性率は、特に高精度なアプリケーションにおいて、異常検出アルゴリズムの長年の課題である。 真の異常を特定するために、実際には、アナリストまたはドメインの専門家が、異常検出システムによって特定された異常のランクリストの上位インスタンスを1つずつ調査するために使用される。 この検証手順は、時間予算が与えられたより真の異常を発見するのに役立つように、異常を再ランクするために活用できる情報ラベルを生成する。 上記の決定過程を近似するために、いくつかの再分類戦略が提案されている。 具体的には、既存の戦略は、フィードバックに基づいて上位のインスタンスが異常になる可能性を高めることに重点を置いている。 そして、クエリー用のトップ1インスタンスを選択します。 しかし、これらの欲望戦略は、低ランクのインスタンスが長期的にはより役に立つため、最適ではないかもしれない。 本研究では,クエリ選択のためのメタポリシーを学習する新しいフレームワークであるMeta-AAD(Active Anomaly Detection with Meta-Policy)を提案する。 具体的には、meta-aadはディープ強化学習を利用してメタポリシーを訓練し、最も適切なインスタンスを選択し、クエリプロセス全体で発見された異常の数を明示的に最適化する。 Meta-AADは、トレーニングされたメタポリシを、さらなるチューニングなしで、新しいデータセットに直接適用できるため、デプロイが容易である。 24のベンチマークデータセットに対する大規模な実験は、Meta-AADが最先端の再評価戦略と教師なしベースラインを大幅に上回っていることを示している。 経験的分析は、訓練されたメタ政治は移行可能であり、本質的に長期報酬と短期報酬のバランスを達成していることを示している。

関連論文リスト

• 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)
• Don't Miss Out on Novelty: Importance of Novel Features for Deep Anomaly Detection [64.21963650519312]
  異常検出(AD)は、正規性の学習モデルに適合しない観察を識別する重要なタスクである。 本稿では, 入力空間における説明不能な観測として, 説明可能性を用いた新しいAD手法を提案する。 当社のアプローチでは,複数のベンチマークにまたがる新たな最先端性を確立し,さまざまな異常な型を扱う。
  論文  参考訳（メタデータ） (2023-10-01T21:24:05Z)
• Active anomaly detection based on deep one-class classification [9.904380236739398]
  我々は,Deep SVDDにおけるアクティブラーニングの2つの重要な課題,すなわちクエリ戦略と半教師付きラーニング手法に対処する。 まず、単に異常を識別するのではなく、適応境界に従って不確実なサンプルを選択する。 第2に、ラベル付き正規データと異常データの両方を効果的に組み込むために、一級分類モデルの訓練にノイズコントラスト推定を適用した。
  論文  参考訳（メタデータ） (2023-09-18T03:56:45Z)
• Active Learning-based Isolation Forest (ALIF): Enhancing Anomaly Detection in Decision Support Systems [2.922007656878633]
  ALIFは一般的な孤立林の軽量な修正であり、他の最先端のアルゴリズムと比較して優れた性能を示した。 提案手法は,現実のシナリオでますます普及しているDSS(Decision Support System)の存在に特に注目されている。
  論文  参考訳（メタデータ） (2022-07-08T14:36:38Z)
• Diminishing Empirical Risk Minimization for Unsupervised Anomaly Detection [0.0]
  経験的リスク最小化(ERM)は、未知の分布におけるアルゴリズムの性能を、既知のトレーニングセットにおける損失の平均化によって近似できると仮定する。 本稿では,EMMの限界を突破する新しいDimical Risk Minimization(DERM)フレームワークを提案する。 DERMは、よく設計された集約戦略を通じて個々の損失の影響を適応的に調整する。
  論文  参考訳（メタデータ） (2022-05-29T14:18:26Z)
• Data-Efficient and Interpretable Tabular Anomaly Detection [54.15249463477813]
  本稿では,ホワイトボックスモデルクラスである一般化付加モデルを適用し,異常を検出する新しいフレームワークを提案する。 さらに、提案フレームワークであるDIADは、ラベル付きデータの少量を組み込んで、半教師付き設定における異常検出性能をさらに向上させることができる。
  論文  参考訳（メタデータ） (2022-03-03T22:02:56Z)
• A2Log: Attentive Augmented Log Anomaly Detection [53.06341151551106]
  異常検出は、ITサービスの信頼性とサービス性にとってますます重要になる。 既存の教師なし手法は、適切な決定境界を得るために異常な例を必要とする。 我々は,異常判定と異常判定の2段階からなる教師なし異常検出手法であるA2Logを開発した。
  論文  参考訳（メタデータ） (2021-09-20T13:40:21Z)
• Evaluating Meta-Feature Selection for the Algorithm Recommendation Problem [0.0]
  本稿では,アルゴリズムレコメンデーション問題のメタレベルにおける特徴選択と特徴抽出の実証分析について述べる。 次元性低減法(DR)は一般に予測性能を向上しなかった。 元のメタ機能の約20%を使用して高い予測性能を得ることができる。
  論文  参考訳（メタデータ） (2021-06-07T20:36:47Z)
• Unsupervised and self-adaptative techniques for cross-domain person re-identification [82.54691433502335]
  非重複カメラにおける人物再識別(ReID)は難しい課題である。 Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。 本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
  論文  参考訳（メタデータ） (2021-03-21T23:58:39Z)

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。