Fugu-MT 論文翻訳(概要): Deep Anomaly Detection by Residual Adaptation

論文の概要: Deep Anomaly Detection by Residual Adaptation

arxiv url: http://arxiv.org/abs/2010.02310v1
Date: Mon, 5 Oct 2020 20:02:58 GMT
ステータス: 処理完了
システム内更新日: 2022-10-10 20:46:06.467774
Title: Deep Anomaly Detection by Residual Adaptation
Title（参考訳）: 残差適応による深部異常検出
Authors: Lucas Deecke, Lukas Ruff, Robert A. Vandermeulen, Hakan Bilen
Abstract要約: 本稿では,大規模な事前学習ネットワークを改良し,異常検出のタスクに適応させる手法を提案する。提案手法は,パラメータ効率の高い学習機構を生み出し,事前学習されたモデルにおける表現の絡み合いを高め,既存の異常検出方法よりも優れる。
参考スコア（独自算出の注目度）: 34.47788988778933
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep anomaly detection is a difficult task since, in high dimensions, it is hard to completely characterize a notion of "differentness" when given only examples of normality. In this paper we propose a novel approach to deep anomaly detection based on augmenting large pretrained networks with residual corrections that adjusts them to the task of anomaly detection. Our method gives rise to a highly parameter-efficient learning mechanism, enhances disentanglement of representations in the pretrained model, and outperforms all existing anomaly detection methods including other baselines utilizing pretrained networks. On the CIFAR-10 one-versus-rest benchmark, for example, our technique raises the state of the art from 96.1 to 99.0 mean AUC.
Abstract（参考訳）: 深い異常検出は、高次元において、正規性の例のみを与えられると「微分」の概念を完全に特徴づけるのは難しいため、難しい課題である。本稿では,異常検出タスクに適応する残差補正を用いた大規模事前学習ネットワークの強化に基づく,深部異常検出のための新しい手法を提案する。提案手法は,パラメータ効率の高い学習機構を実現し,事前学習モデルにおける表現のゆがみを高め,事前学習ネットワークを利用した他のベースラインを含む既存の異常検出方法よりも優れる。例えば、CIFAR-10 one-versus-restベンチマークでは、この手法が96.1から99.0に上昇する。

関連論文リスト

Effort: Efficient Orthogonal Modeling for Generalizable AI-Generated Image Detection [66.16595174895802]
既存のAI生成画像(AIGI)検出手法は、しばしば限定的な一般化性能に悩まされる。本稿では、AIGI検出において、これまで見過ごされてきた重要な非対称性現象を同定する。
論文参考訳（メタデータ） (2024-11-23T19:10:32Z)
Unsupervised Anomaly Detection Using Diffusion Trend Analysis [48.19821513256158]
本稿では, 劣化度に応じて, 復元傾向の分析により異常を検出する手法を提案する。提案手法は,産業用異常検出のためのオープンデータセット上で検証される。
論文参考訳（メタデータ） (2024-07-12T01:50:07Z)
Robust Semi-Supervised Anomaly Detection via Adversarially Learned Continuous Noise Corruption [11.135527192198092]
異常検出は、予め確立された正常性から著しく逸脱した新しいサンプルを認識するタスクである。ディープオートエンコーダ(AE)は、異常検出タスクとして広く使用されているが、ヌルID関数への過度な適合に悩まされている。本稿では,適応学習連続雑音(ALCN)を効率よく生成する手法を提案する。
論文参考訳（メタデータ） (2023-03-02T22:59:20Z)
Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文参考訳（メタデータ） (2022-06-23T14:16:30Z)
Simple Adaptive Projection with Pretrained Features for Anomaly Detection [0.0]
本稿では,単純な線形変換と自己注意を含む新しい適応フレームワークを提案する。事前訓練した特徴を持つ簡易適応投影法(SAP2)により,新しい異常検出基準が得られた。
論文参考訳（メタデータ） (2021-12-05T15:29:59Z)
Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文参考訳（メタデータ） (2021-10-20T06:15:45Z)
Semantic Perturbations with Normalizing Flows for Improved Generalization [62.998818375912506]
我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
論文参考訳（メタデータ） (2021-08-18T03:20:00Z)
Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文参考訳（メタデータ） (2021-08-01T14:33:17Z)
Towards Fair Deep Anomaly Detection [24.237000220172906]
我々は,fair anomaly detectionアプローチ(deep fair svdd)のための新しいアーキテクチャを提案する。提案手法は,異常検出性能の低下を最小限に抑えることで不公平を解消できることを示す。
論文参考訳（メタデータ） (2020-12-29T22:34:45Z)
A Transfer Learning Framework for Anomaly Detection Using Model of Normality [2.9685635948299995]
畳み込みニューラルネットワーク(CNN)技術は、画像ベースの異常検出アプリケーションにおいて非常に有用であることが証明されている。モデル・オブ・ノーマル性(MoN)を用いた類似度尺度に基づく異常検出のための伝達学習フレームワークを提案する。提案したしきい値設定により,大幅な性能向上が達成できることを示す。
論文参考訳（メタデータ） (2020-11-12T05:26:32Z)
Regularized Cycle Consistent Generative Adversarial Network for Anomaly Detection [5.457279006229213]
本稿では, ニューラルネットワークを逆向きに訓練し, 異常なサンプルをよりよく認識するRCGAN(Regularized Cycle Consistent Generative Adversarial Network)を提案する。実世界のデータと合成データの両方に対する実験結果から,我々のモデルが過去の異常検出ベンチマークにおいて有意かつ一貫した改善をもたらすことが示された。
論文参考訳（メタデータ） (2020-01-18T03:35:05Z)

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。