Fugu-MT 論文翻訳(概要): OneFlow: One-class flow for anomaly detection based on a minimal volume region

論文の概要: OneFlow: One-class flow for anomaly detection based on a minimal volume region

arxiv url: http://arxiv.org/abs/2010.03002v3
Date: Wed, 22 Sep 2021 18:51:47 GMT
ステータス: 処理完了
システム内更新日: 2022-10-10 05:54:53.371623
Title: OneFlow: One-class flow for anomaly detection based on a minimal volume region
Title（参考訳）: OneFlow:最小体積領域に基づく異常検出のための1クラスフロー
Authors: {\L}ukasz Maziarka, Marek \'Smieja, Marcin Sendera, {\L}ukasz Struski, Jacek Tabor, Przemys{\l}aw Spurek
Abstract要約: OneFlowは、異常(異常)検出のためのフローベースの1クラス分類器である。結果が外れ値の構造に依存しないように構成されている。提案手法は,実世界の異常検出問題に対する関連手法より優れている。
参考スコア（独自算出の注目度）: 12.691473293758607
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose OneFlow - a flow-based one-class classifier for anomaly (outlier) detection that finds a minimal volume bounding region. Contrary to density-based methods, OneFlow is constructed in such a way that its result typically does not depend on the structure of outliers. This is caused by the fact that during training the gradient of the cost function is propagated only over the points located near to the decision boundary (behavior similar to the support vectors in SVM). The combination of flow models and a Bernstein quantile estimator allows OneFlow to find a parametric form of bounding region, which can be useful in various applications including describing shapes from 3D point clouds. Experiments show that the proposed model outperforms related methods on real-world anomaly detection problems.
Abstract（参考訳）: 我々は,最小のボリューム境界領域を求める異常(異常)検出のためのフローベースの1クラス分類器であるoneflowを提案する。密度に基づく手法とは対照的に、OneFlowは結果が通常、外れ値の構造に依存しないように構築されている。これは、トレーニング中にコスト関数の勾配が決定境界付近にある点(svmの支持ベクトルと類似している)にのみ伝達されるという事実によって引き起こされる。フローモデルとバーンスタイン量子推定器の組み合わせにより、OneFlowは境界領域のパラメトリック形式を見つけることができる。実験により,提案モデルは実世界の異常検出問題において,関連手法よりも優れていた。

関連論文リスト

PaddingFlow: Improving Normalizing Flows with Padding-Dimensional Noise [4.762593660623934]
パディングフロー(PaddingFlow)は,パディング次元雑音による正規化フローを改善する新しいデクエント化法である。非条件密度推定の主ベンチマークで本手法の有効性を検証した。この結果から,PaddingFlowはすべての実験において優れた性能を発揮できることがわかった。
論文参考訳（メタデータ） (2024-03-13T03:28:39Z)
Quantum Normalizing Flows for Anomaly Detection [23.262276593120305]
量子アーキテクチャのための正規化フローを導入し、そのようなフローをモデル化し最適化する方法を説明し、サンプルデータセット上でメソッドを評価する。提案モデルでは,従来の手法と比較して,異常検出の競合性能を示す。実験では, 森林の隔離, 局所降水率 (LOF) , 単一クラスSVMとの比較を行った。
論文参考訳（メタデータ） (2024-02-05T10:28:20Z)
MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly Detection [124.52227588930543]
教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
論文参考訳（メタデータ） (2023-08-29T13:38:35Z)
Efficient Multimodal Sampling via Tempered Distribution Flow [11.36635610546803]
我々はTemperFlowと呼ばれる新しいタイプのトランスポートベースサンプリング手法を開発した。種々の実験により, 従来の手法と比較して, 新規サンプリング器の優れた性能が示された。画像生成などの最新のディープラーニングタスクに応用例を示す。
論文参考訳（メタデータ） (2023-04-08T06:40:06Z)
PointFlowHop: Green and Interpretable Scene Flow Estimation from Consecutive Point Clouds [49.7285297470392]
本研究では,PointFlowHopと呼ばれる3次元シーンフローの効率的な推定法を提案する。ポイントフローホップは2つの連続する点雲を取り、第1点雲の各点の3次元フローベクトルを決定する。シーンフロー推定タスクを,エゴモーション補償,オブジェクトアソシエーション,オブジェクトワイドモーション推定など,一連のサブタスクに分解する。
論文参考訳（メタデータ） (2023-02-27T23:06:01Z)
Probabilistic Shape Completion by Estimating Canonical Factors with Hierarchical VAE [48.03685702899071]
本稿では,点雲の部分観測から3次元形状完成法を提案する。提案手法は,局所特徴体全体を1つのフィードフォワードネットワークで推定する。完全特徴量の正準因子を確率的に推定するために, 微小な正準関数を持つ階層的変分オートエンコーダ (VAE) を用いる。
論文参考訳（メタデータ） (2022-12-06T23:41:31Z)
FastFlow: Unsupervised Anomaly Detection and Localization via 2D Normalizing Flows [18.062328700407726]
本稿では,ResNet や Vision Transformer など,任意の機能抽出用プラグインモジュールとしてFastFlowを提案する。トレーニングフェーズでは、FastFlowは入力された視覚的特徴を抽出可能な分布に変換することを学び、推論フェーズにおける異常を認識する可能性を得る。提案手法は推論効率の高い異常検出において99.4%のAUCを実現する。
論文参考訳（メタデータ） (2021-11-15T11:15:02Z)
PU-Flow: a Point Cloud Upsampling Networkwith Normalizing Flows [58.96306192736593]
本稿では,正規化フローを組み込んだPU-Flowについて述べる。具体的には、重みが局所的な幾何学的文脈から適応的に学習される潜在空間において、アップサンプリング過程を点として定式化する。提案手法は, 再現性, 近接精度, 計算効率の観点から, 最先端の深層学習手法よりも優れていることを示す。
論文参考訳（メタデータ） (2021-07-13T07:45:48Z)
Learning Optical Flow from a Few Matches [67.83633948984954]
密な相関体積表現は冗長であり、その中の要素のほんの一部で正確なフロー推定が達成できることを示した。実験により,高い精度を維持しつつ計算コストとメモリ使用量を大幅に削減できることを示した。
論文参考訳（メタデータ） (2021-04-05T21:44:00Z)
Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
論文参考訳（メタデータ） (2020-11-25T14:00:18Z)
SoftFlow: Probabilistic Framework for Normalizing Flow on Manifolds [15.476426879806134]
フローベース生成モデルは、同じ次元の2つのランダム変数間の可逆変換からなる。本論文では,多様体上の正規化フローを学習するための確率的フレームワークであるSoftFlowを提案する。実験により,SoftFlowは多様体データの固有構造を捕捉し,高品質なサンプルを生成することができることを示した。提案手法を3次元点雲に適用することにより,フローベースモデルにおける細い構造形成の難しさを軽減する。
論文参考訳（メタデータ） (2020-06-08T13:56:07Z)

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。