Fugu-MT 論文翻訳(概要): Sub-clusters of Normal Data for Anomaly Detection

論文の概要: Sub-clusters of Normal Data for Anomaly Detection

arxiv url: http://arxiv.org/abs/2011.08408v1
Date: Tue, 17 Nov 2020 03:53:31 GMT
ステータス: 処理完了
システム内更新日: 2022-09-24 16:11:57.354063
Title: Sub-clusters of Normal Data for Anomaly Detection
Title（参考訳）: 異常検出のための正規データのサブクラスタ
Authors: Gahye Lee and Seungkyu Lee
Abstract要約: データ分析における異常検出は、現実のアプリケーションでは興味深いが、それでも難しい研究トピックである。既存の異常検出手法は、ImageNetのような高次元データによる限られた性能を示す。本稿では,高次元および複雑な正規データを用いた異常検出について検討する。
参考スコア（独自算出の注目度）: 0.15229257192293197
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Anomaly detection in data analysis is an interesting but still challenging research topic in real world applications. As the complexity of data dimension increases, it requires to understand the semantic contexts in its description for effective anomaly characterization. However, existing anomaly detection methods show limited performances with high dimensional data such as ImageNet. Existing studies have evaluated their performance on low dimensional, clean and well separated data set such as MNIST and CIFAR-10. In this paper, we study anomaly detection with high dimensional and complex normal data. Our observation is that, in general, anomaly data is defined by semantically explainable features which are able to be used in defining semantic sub-clusters of normal data as well. We hypothesize that if there exists reasonably good feature space semantically separating sub-clusters of given normal data, unseen anomaly also can be well distinguished in the space from the normal data. We propose to perform semantic clustering on given normal data and train a classifier to learn the discriminative feature space where anomaly detection is finally performed. Based on our careful and extensive experimental evaluations with MNIST, CIFAR-10, and ImageNet with various combinations of normal and anomaly data, we show that our anomaly detection scheme outperforms state of the art methods especially with high dimensional real world images.
Abstract（参考訳）: データ分析における異常検出は、現実のアプリケーションでは興味深いが、それでも難しい研究トピックである。データ次元の複雑さが増すにつれて、効果的な異常特徴付けのために、その記述における意味的文脈を理解する必要がある。しかし、既存の異常検出手法は、ImageNetのような高次元データで限られた性能を示す。これまでの研究では、mnistやcifar-10など、低次元でクリーンで分離されたデータセットのパフォーマンスを評価している。本稿では,高次元および複素正規データを用いた異常検出について検討する。我々の観察では、一般に、異常データは、通常のデータのセマンティックサブクラスタの定義にも使える意味論的に説明可能な特徴によって定義される。与えられた正規データのサブクラスタを意味的に分離する適度に良い特徴空間が存在すると仮定すると、異常な異常も通常のデータとよく区別できる。与えられた正規データに対してセマンティッククラスタリングを行い、分類器を訓練して、異常検出が最終的に実行される識別的特徴空間を学習する。 MNIST, CIFAR-10, ImageNetと正常・異常データの組み合わせによる慎重かつ広範囲な実験結果から, 異常検出方式は特に高次元実世界の画像において, 技術手法の状況よりも優れていることを示す。

関連論文リスト

Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [88.34095233600719]
FAPromptは、より正確なZSADのためにきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。画像レベルおよび画素レベルのZSADタスクにおいて、最先端の手法を少なくとも3%-5%のAUC/APで大幅に上回っている。
論文参考訳（メタデータ） (2024-10-14T08:41:31Z)
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)
ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
論文参考訳（メタデータ） (2024-05-27T02:42:33Z)
AGAD: Adversarial Generative Anomaly Detection [12.68966318231776]
異常検出は,異常の多様性と大規模異常データ取得の困難さにより異常の欠如に悩まされた。本稿では,自己コントラストに基づく異常検出パラダイムであるAdversarial Generative Anomaly Detection (AGAD)を提案する。本手法は,教師付きおよび半教師付き両方の異常検出シナリオに対して擬似異常データを生成する。
論文参考訳（メタデータ） (2023-04-09T10:40:02Z)
Perturbation Learning Based Anomaly Detection [19.41730292017383]
主な考え方は、通常のデータを摂動するために小さな摂動を学習し、正規データと摂動データを2つの異なるクラスに分類するために分類器を学ぶことである。摂動は可能な限り小さくなければならないが、分類器は摂動データから摂動データを認識することができる。異常検出の最先端技術と比較すると,決定境界の形状に関する仮定は不要である。
論文参考訳（メタデータ） (2022-06-06T16:01:01Z)
Domain-Generalized Textured Surface Anomaly Detection [29.88664324332402]
異常検出は、正常なデータから逸脱する異常なデータを特定することを目的としており、このタスクを実行するために十分な量の正常なデータを必要とする。本稿では,ドメイン一般化型表面異常検出の課題に対処する。我々のモデルは、テスト中にごく少数の正常なデータしか観測できない、見当たらないテクスチャ面に一般化されることが期待されている。
論文参考訳（メタデータ） (2022-03-23T10:01:35Z)
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)
DASVDD: Deep Autoencoding Support Vector Data Descriptor for Anomaly Detection [9.19194451963411]
半教師付き異常検出は、通常のデータに基づいて訓練されたモデルを用いて、通常のサンプルから異常を検出することを目的としている。本稿では,自己エンコーダのパラメータを協調的に学習する手法であるDASVDDを提案する。
論文参考訳（メタデータ） (2021-06-09T21:57:41Z)
Toward Deep Supervised Anomaly Detection: Reinforcement Learning from Partially Labeled Anomaly Data [150.9270911031327]
本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
論文参考訳（メタデータ） (2020-09-15T03:05:39Z)
Factor Analysis of Mixed Data for Anomaly Detection [5.77019633619109]
異常な観察は、金融詐欺、健康リスク、または実際には不正に測定されたデータに対応することがある。我々は,まずデータを埋め込み,異常スコアリング方式を評価することによって,高次元混合データにおける異常の検出を向上することを示す。
論文参考訳（メタデータ） (2020-05-25T14:13:10Z)
Deep Weakly-supervised Anomaly Detection [118.55172352231381]
ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。 PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。 12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
論文参考訳（メタデータ） (2019-10-30T00:40:25Z)

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。