論文の概要: Addressing Variance Shrinkage in Variational Autoencoders using Quantile
Regression
- arxiv url: http://arxiv.org/abs/2010.09042v1
- Date: Sun, 18 Oct 2020 17:37:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 03:49:02.492719
- Title: Addressing Variance Shrinkage in Variational Autoencoders using Quantile
Regression
- Title（参考訳）: 量子回帰を用いた変分オートエンコーダの可変収縮
- Authors: Haleh Akrami, Anand A. Joshi, Sergul Aydore and Richard M. Leahy
- Abstract要約: 可変変分オートエンコーダ (VAE) は, 医用画像の病変検出などの応用において, 異常検出の一般的なモデルとなっている。
本稿では,分散の縮小や過小評価といったよく知られた問題を避けるための代替手法について述べる。
ガウスの仮定の下で推定された定量値を用いて平均値と分散値を計算し、再構成確率を外乱検出や異常検出の原理的アプローチとして計算する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Estimation of uncertainty in deep learning models is of vital importance,
especially in medical imaging, where reliance on inference without taking into
account uncertainty could lead to misdiagnosis. Recently, the probabilistic
Variational AutoEncoder (VAE) has become a popular model for anomaly detection
in applications such as lesion detection in medical images. The VAE is a
generative graphical model that is used to learn the data distribution from
samples and then generate new samples from this distribution. By training on
normal samples, the VAE can be used to detect inputs that deviate from this
learned distribution. The VAE models the output as a conditionally independent
Gaussian characterized by means and variances for each output dimension. VAEs
can therefore use reconstruction probability instead of reconstruction error
for anomaly detection. Unfortunately, joint optimization of both mean and
variance in the VAE leads to the well-known problem of shrinkage or
underestimation of variance. We describe an alternative approach that avoids
this variance shrinkage problem by using quantile regression. Using estimated
quantiles to compute mean and variance under the Gaussian assumption, we
compute reconstruction probability as a principled approach to outlier or
anomaly detection. Results on simulated and Fashion MNIST data demonstrate the
effectiveness of our approach. We also show how our approach can be used for
principled heterogeneous thresholding for lesion detection in brain images.
- Abstract（参考訳）: 深層学習モデルにおける不確実性の推定は、不確実性を考慮せず推論に依存することが誤診につながる可能性がある医学画像において、特に重要である。
近年,医療画像の病変検出などの応用において,確率的変動オートエンコーダ(VAE)が異常検出の一般的なモデルとなっている。
VAEは、サンプルからデータ分布を学習し、この分布から新しいサンプルを生成するために使用される生成グラフィカルモデルである。
通常のサンプルでトレーニングすることで、この学習された分布から逸脱する入力を検出するためにvaeが使用できる。
VAEは出力を、各出力次元の手段と分散によって特徴づけられる条件独立ガウスとしてモデル化する。
従ってvaesは、異常検出のために再構成誤差の代わりに再構成確率を用いることができる。
残念なことに、VAEにおける平均値と分散量の共同最適化は、分散の縮小や過小評価というよく知られた問題につながる。
本稿では、この分散縮小問題を量子回帰を用いて回避する代替手法について述べる。
ガウスの仮定の下で平均と分散を計算するために推定四分位数を用いて, 異常検出や異常検出の原理的手法として再構成確率を計算する。
シミュレーションおよびファッションMNISTデータを用いて,本手法の有効性を示した。
また,脳画像における病変検出の原理的不均一しきい値設定に,我々のアプローチをどのように利用できるかを示す。
関連論文リスト
- GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。
世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。
本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
論文 参考訳（メタデータ） (2024-06-11T17:27:23Z) - Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。
異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
論文 参考訳（メタデータ） (2024-04-24T09:04:36Z) - 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) - Equivariance Discovery by Learned Parameter-Sharing [153.41877129746223]
データから解釈可能な等価性を発見する方法について検討する。
具体的には、モデルのパラメータ共有方式に対する最適化問題として、この発見プロセスを定式化する。
また,ガウスデータの手法を理論的に解析し,研究された発見スキームとオラクルスキームの間の平均2乗ギャップを限定する。
論文 参考訳（メタデータ） (2022-04-07T17:59:19Z) - Deep Quantile Regression for Uncertainty Estimation in Unsupervised and
Supervised Lesion Detection [0.0]
不確かさは、異常や病変の検出、臨床診断などの重要な応用において重要である。
そこで本研究では,量子レグレッション(quantile regression)を用いてアレータ性不確かさを推定し,教師付き病変検出と教師なし病変検出の両問題における不確かさを推定する。
本研究では, 病変境界位置における専門家の不一致を特徴付けるために, 量子レグレッションがいかに有効かを示す。
論文 参考訳（メタデータ） (2021-09-20T08:50:21Z) - Efficient remedies for outlier detection with variational autoencoders [8.80692072928023]
深層生成モデルによって計算される類似度は、ラベルなしデータによる外れ値検出の候補メトリックである。
理論的に定位された補正は、VAE推定値による鍵バイアスを容易に改善することを示す。
また,VAEのアンサンブル上で計算される確率の分散により,ロバストな外乱検出が可能となることを示す。
論文 参考訳（メタデータ） (2021-08-19T16:00:58Z) - Reducing the Amortization Gap in Variational Autoencoders: A Bayesian
Random Function Approach [38.45568741734893]
GPモデルの推論は、セミアモタイズ法よりもはるかに高速な1つのフィードフォワードパスによって行われる。
提案手法は,複数のベンチマークデータセットの最先端データよりも高い確率でテストデータが得られることを示す。
論文 参考訳（メタデータ） (2021-02-05T13:01:12Z) - Anomaly detection through latent space restoration using
vector-quantized variational autoencoders [0.8122270502556374]
本稿では,密度と復元に基づく手法を用いた分散検出手法を提案する。
VQ-VAEモデルは、分類的潜在空間で画像をエンコードすることを学ぶ。
潜在コードの事前分布は、オートリグレッシブ(ar)モデルを使用してモデル化される。
論文 参考訳（メタデータ） (2020-12-12T09:19:59Z) - CQ-VAE: Coordinate Quantized VAE for Uncertainty Estimation with
Application to Disk Shape Analysis from Lumbar Spine MRI Images [1.5841288368322592]
本稿では,あいまいさの表現を学習し,確率的出力を生成するための強力な生成モデルを提案する。
我々のモデルは、CQ-VAE (Coordinate Quantization Variational Autoencoder) と呼ばれ、内部の離散確率分布を持つ離散潜在空間を用いている。
マッチングアルゴリズムを用いて、モデル生成サンプルと「地下構造」サンプルの対応性を確立する。
論文 参考訳（メタデータ） (2020-10-17T04:25:32Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2020-03-24T08:26:58Z)
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。