論文の概要: Anomalous Sound Detection as a Simple Binary Classification Problem with Careful Selection of Proxy Outlier Examples

• arxiv url: http://arxiv.org/abs/2011.02949v1
• Date: Thu, 5 Nov 2020 16:22:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-29 12:59:27.198834
• Title: Anomalous Sound Detection as a Simple Binary Classification Problem with Careful Selection of Proxy Outlier Examples
• Title（参考訳）: プロキシ異常例を慎重に選択した簡易二分分類問題としての異常音検出
• Authors: Paul Primus, Verena Haunschmid, Patrick Praher, and Gerhard Widmer
• Abstract要約: 異常サンプルの集合をプロキシ・アウトレイラで慎重に置換した場合、異常音検出は教師付き分類問題として効果的にフレーム化できることを示す。 DCASE 2020 Challengeのタスク2では,プロキシ・オブライラを用いた教師付きトレーニングに基づくモデルが3位にランクインした。
• 参考スコア（独自算出の注目度）: 5.3898004059026325
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised anomalous sound detection is concerned with identifying sounds that deviate from what is defined as 'normal', without explicitly specifying the types of anomalies. A significant obstacle is the diversity and rareness of outliers, which typically prevent us from collecting a representative set of anomalous sounds. As a consequence, most anomaly detection methods use unsupervised rather than supervised machine learning methods. Nevertheless, we will show that anomalous sound detection can be effectively framed as a supervised classification problem if the set of anomalous samples is carefully substituted with what we call proxy outliers. Candidates for proxy outliers are available in abundance as they potentially include all recordings that are neither normal nor abnormal sounds. We experiment with the machine condition monitoring data set of the 2020's DCASE Challenge and find proxy outliers with matching recording conditions and high similarity to the target sounds particularly informative. If no data with similar sounds and matching recording conditions is available, data sets with a larger diversity in these two dimensions are preferable. Our models based on supervised training with proxy outliers achieved rank three in Task 2 of the DCASE2020 Challenge.
• Abstract（参考訳）: 教師なしの異常音検出は、異常の種類を明示的に特定することなく、「正常」と定義される音から逸脱する音を特定することに関わる。 重要な障害は異常音の多様性と稀さであり、通常は異常音の代表的な集合を収集できない。 その結果、ほとんどの異常検出方法は教師なしの機械学習手法ではなく教師なしの手法を用いる。 それにもかかわらず、異常音検出は、異常サンプルの集合を、プロキシ・アウトレイアと呼ぶものに注意深く置き換える場合、教師付き分類問題として効果的にフレーム化できることを示す。 プロキシ外れ値の候補は、通常音でも異常音でもない全ての録音を含む可能性があるため、豊富に利用できる。 我々は,2020年のDCASEチャレンジの機械条件モニタリングデータセットを実験し,記録条件が一致し,ターゲット音との類似度が高いプロキシ・アウトリーチを求める。 類似した音と一致した記録条件を持つデータが得られない場合、これらの2次元の多様性を持つデータセットが望ましい。 DCASE2020 Challengeのタスク2では,プロキシ・オブライラを用いた教師付きトレーニングに基づくモデルが3位にランクインした。

関連論文リスト

• Anomaly Detection by Context Contrasting [57.695202846009714]
  異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。 近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。 我々はコンテキスト拡張を通じて学習するCon$を提案する。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• RoSAS: Deep Semi-Supervised Anomaly Detection with Contamination-Resilient Continuous Supervision [21.393509817509464]
  本稿では, テクスト汚染耐性連続監視信号を考案した, 半教師付き異常検出手法を提案する。 当社のアプローチは、AUC-PRにおいて最先端の競合他社を20%-30%上回っている。
  論文  参考訳（メタデータ） (2023-07-25T04:04:49Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Clustering Aided Weakly Supervised Training to Detect Anomalous Events in Surveillance Videos [20.368114998124295]
  ランダムなバッチ選択機構を含む複数のコントリビューションを有する弱教師付き異常検出システムを提案する。 ラベルノイズを緩和し,異常領域と正常領域の表現学習を改善するために,クラスタリング損失ブロックを提案する。 提案手法の大規模解析は,3つの一般的な異常検出データセットを用いて行われる。
  論文  参考訳（メタデータ） (2022-03-25T15:18:19Z)
• Two-Stage Deep Anomaly Detection with Heterogeneous Time Series Data [3.43862266155801]
  本稿では,工場組立ラインから収集した製造データセットを用いたデータ駆動型異常検出フレームワークを提案する。 ステージIでは,動作周期信号で訓練されたモデルを用いて異常候補を選択し,ステージIIでは候補の中から異常事象を検出する。 我々のフレームワークの特長は、動作サイクル信号がまず異常点を見つけるために利用されるのに対し、センサ信号は異常点を除去するために活用される点である。
  論文  参考訳（メタデータ） (2022-02-10T15:32:38Z)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)
• UBnormal: New Benchmark for Supervised Open-Set Video Anomaly Detection [103.06327681038304]
  本稿では,複数の仮想シーンで構成された教師付きオープンセット・ベンチマークを提案する。 既存のデータセットとは異なり、トレーニング時に画素レベルでアノテートされた異常事象を導入する。 UBnormalは最先端の異常検出フレームワークの性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2021-11-16T17:28:46Z)
• 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)
• Unsupervised Anomaly Detectors to Detect Intrusions in the Current Threat Landscape [0.11470070927586014]
  本研究では,Isolation Forests,One-Class Support Vector Machines,Self-Organizing Mapsが侵入検知用よりも有効であることを示した。 不安定、分散、あるいは非可逆的行動による攻撃を、ファジング、ワーム、ボットネットなどによって検出することがより困難である点を詳述する。
  論文  参考訳（メタデータ） (2020-12-21T14:06:58Z)
• Unsupervised Domain Adaptation for Acoustic Scene Classification Using Band-Wise Statistics Matching [69.24460241328521]
  機械学習アルゴリズムは、トレーニング(ソース)とテスト(ターゲット)データの分散のミスマッチの影響を受けやすい。 本研究では,ターゲット領域音響シーンの各周波数帯域の1次及び2次サンプル統計値と,ソース領域学習データセットの1次と2次サンプル統計値との整合性を有する教師なし領域適応手法を提案する。 提案手法は,文献にみられる最先端の教師なし手法よりも,ソース・ドメインの分類精度とターゲット・ドメインの分類精度の両面で優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-30T23:56:05Z)

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。

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。