論文の概要: Anomaly Detection With Conditional Variational Autoencoders

• arxiv url: http://arxiv.org/abs/2010.05531v1
• Date: Mon, 12 Oct 2020 08:39:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 08:02:29.620115
• Title: Anomaly Detection With Conditional Variational Autoencoders
• Title（参考訳）: 条件変動オートエンコーダによる異常検出
• Authors: Adrian Alan Pol, Victor Berger, Gianluca Cerminara, Cecile Germain and Maurizio Pierini
• Abstract要約: 我々は,Deep Conditional Variational Autoencoder (CVAE) を利用して,階層的に構造化されたデータを対象としたメトリクスとともに,元の損失関数を定義する。 CERN大ハドロン衝突型加速器における多くの粒子物理学実験の基本的な構成要素であるトリガーシステムを監視する。
• 参考スコア（独自算出の注目度）: 1.3541554606406663
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Exploiting the rapid advances in probabilistic inference, in particular variational Bayes and variational autoencoders (VAEs), for anomaly detection (AD) tasks remains an open research question. Previous works argued that training VAE models only with inliers is insufficient and the framework should be significantly modified in order to discriminate the anomalous instances. In this work, we exploit the deep conditional variational autoencoder (CVAE) and we define an original loss function together with a metric that targets hierarchically structured data AD. Our motivating application is a real world problem: monitoring the trigger system which is a basic component of many particle physics experiments at the CERN Large Hadron Collider (LHC). In the experiments we show the superior performance of this method for classical machine learning (ML) benchmarks and for our application.
• Abstract（参考訳）: 確率的推論の急速な進歩、特に変分ベイズと変分オートエンコーダ(VAE)による異常検出(AD)タスクの爆発は、オープンな研究課題である。 以前の研究では、異常なインスタンスを識別するためにvaeモデルのトレーニングは不十分であり、フレームワークは大幅に修正されるべきであると主張した。 本研究では,Deep Conditional Variational Autoencoder (CVAE) を用いて,階層的に構造化されたデータ AD を対象とするメトリクスとともに,元の損失関数を定義する。 cernの大型ハドロン衝突型加速器(lhc)における多くの素粒子物理学実験の基本的な構成要素であるトリガーシステムのモニタリングです。 実験では,従来の機械学習(ML)ベンチマークおよびアプリケーションに対して,本手法の優れた性能を示す。

関連論文リスト

• Are Anomaly Scores Telling the Whole Story? A Benchmark for Multilevel Anomaly Detection [46.244213695024]
  異常検出(AD)は、通常のトレーニングデータからパターンを学習することで異常を識別する機械学習タスクである。 既存のモデルは、主にバイナリ環境で動作し、それらが生成する異常スコアは通常、通常のデータからのデータポイントのずれに基づいている。 本稿では,実世界のアプリケーションにおける異常の重症度を表す,新しい設定であるマルチレベルAD(MAD)を提案する。 第2に,新たなベンチマークMAD-Benchを導入する。このベンチマークでは,異常検出能力だけでなく,異常スコアが重大度をどの程度効果的に反映しているかをモデルとして評価する。
  論文  参考訳（メタデータ） (2024-11-21T14:18:37Z)
• Performance Metric for Multiple Anomaly Score Distributions with Discrete Severity Levels [4.66313002591741]
  本稿では, 受信機動作特性曲線(WS-AUROC)に基づいて, 異常スコアに基づいて重み付けされた領域の重み付け和を提案する。 また、分布の明確な分離を実現し、WS-AUROCおよびAUROCメトリクスのアブレーションモデルより優れる異常検出器を提案する。
  論文  参考訳（メタデータ） (2024-08-09T02:17:49Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• ADT: Agent-based Dynamic Thresholding for Anomaly Detection [4.356615197661274]
  本稿では,エージェントベースの動的しきい値処理(ADT)フレームワークを提案する。 本研究では,自動エンコーダを用いて特徴表現を取得し,複雑な入力データに対する異常スコアを生成する。 ADTはオートエンコーダの異常スコアを利用して閾値を適応的に調整することができる。
  論文  参考訳（メタデータ） (2023-12-03T19:07:30Z)
• Open-Vocabulary Video Anomaly Detection [57.552523669351636]
  監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。 近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。 本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
  論文  参考訳（メタデータ） (2023-11-13T02:54:17Z)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• Hierarchical Conditional Variational Autoencoder Based Acoustic Anomaly Detection [8.136103644634348]
  既存手法としては、ディープオートエンコーダ(DAE)、変分オートエンコーダ(VAE)、条件変分オートエンコーダ(CVAE)などがある。 階層型条件変分オートエンコーダ(HCVAE)と呼ばれる新しい手法を提案する。 この方法は、産業施設に関する利用可能な分類学的階層的知識を利用して、潜在空間の表現を洗練させる。
  論文  参考訳（メタデータ） (2022-06-11T08:15:01Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
  SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。 ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2021-03-08T10:56:38Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。