論文の概要: A Unifying Review of Deep and Shallow Anomaly Detection
- arxiv url: http://arxiv.org/abs/2009.11732v3
- Date: Mon, 8 Feb 2021 12:43:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-15 03:54:47.549122
- Title: A Unifying Review of Deep and Shallow Anomaly Detection
- Title(参考訳): 深部および浅部異常検出の統一的評価
- Authors: Lukas Ruff, Jacob R. Kauffmann, Robert A. Vandermeulen, Gr\'egoire
Montavon, Wojciech Samek, Marius Kloft, Thomas G. Dietterich, Klaus-Robert
M\"uller
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 38.202998314502786
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning approaches to anomaly detection have recently improved the
state of the art in detection performance on complex datasets such as large
collections of images or text. These results have sparked a renewed interest in
the anomaly detection problem and led to the introduction of a great variety of
new methods. With the emergence of numerous such methods, including approaches
based on generative models, one-class classification, and reconstruction, there
is a growing need to bring methods of this field into a systematic and unified
perspective. In this review we aim to identify the common underlying principles
as well as the assumptions that are often made implicitly by various methods.
In particular, we draw connections between classic 'shallow' and novel deep
approaches and show how this relation might cross-fertilize or extend both
directions. We further provide an empirical assessment of major existing
methods that is enriched by the use of recent explainability techniques, and
present specific worked-through examples together with practical advice.
Finally, we outline critical open challenges and identify specific paths for
future research in anomaly detection.
- Abstract(参考訳): 異常検出へのディープラーニングアプローチは、画像やテキストの大規模なコレクションのような複雑なデータセットにおける検出性能の最先端を最近改善した。
これらの結果は異常検出問題への新たな関心を呼び起こし、様々な新しい方法が導入された。
生成モデルに基づくアプローチ,一級分類,再構築など,このような手法が多数出現するにつれ,この分野の手法を体系的かつ統一的な視点に導く必要性が高まっている。
本稿では,様々な手法によって暗黙的に行われる仮定とともに,共通原理の同定を目的とする。
特に、古典的な「浅瀬」と新しい深層アプローチのつながりを描き、この関係が両方向を横切るか拡張するかを示す。
さらに,最近の説明可能性技術によって充実した既存手法の実証的評価を行い,具体的な実例を実践的なアドバイスとともに提示する。
最後に, オープン課題を概説し, 今後の異常検出研究の経路を特定する。
関連論文リスト
- 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) - Self-Supervised Anomaly Detection in Computer Vision and Beyond: A
Survey and Outlook [9.85256783464329]
異常検出は、サイバーセキュリティ、金融、医療など、さまざまな領域において重要な役割を担っている。
近年,深層学習モデルの顕著な成長により,この分野において大きな進歩を遂げている。
自己教師型学習の出現は、既存の最先端のアプローチよりも優れた新しいADアルゴリズムの開発を引き起こした。
論文 参考訳(メタデータ) (2022-05-10T21:16:14Z) - 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 Survey on Deep Semi-supervised Learning [51.26862262550445]
まず,既存の手法を分類した深層半指導学習の分類法を提案する。
次に、損失の種類、貢献度、アーキテクチャの違いの観点から、これらのメソッドを詳細に比較します。
論文 参考訳(メタデータ) (2021-02-28T16:22:58Z) - A Survey of Community Detection Approaches: From Statistical Modeling to
Deep Learning [95.27249880156256]
ネットワークコミュニティファイリング手法の統一アーキテクチャを開発し,提案する。
既存の手法を確率的グラフィカルモデルとディープラーニングという2つのカテゴリに分けた新しい分類法を提案する。
フィールドの課題の議論と今後の研究の方向性の提案を締めくくります。
論文 参考訳(メタデータ) (2021-01-03T02:32:45Z) - Deep Learning for Anomaly Detection: A Review [150.9270911031327]
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。
論文 参考訳(メタデータ) (2020-07-06T02:21:16Z) - 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)
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。