Fugu-MT 論文翻訳(概要): Perfect density models cannot guarantee anomaly detection

論文の概要: Perfect density models cannot guarantee anomaly detection

arxiv url: http://arxiv.org/abs/2012.03808v2
Date: Tue, 23 Feb 2021 18:03:29 GMT
ステータス: 処理完了
システム内更新日: 2021-05-16 21:46:16.619363
Title: Perfect density models cannot guarantee anomaly detection
Title（参考訳）: 完全密度モデルは異常検出を保証できない
Authors: Charline Le Lan, Laurent Dinh
Abstract要約: 本稿では,分布密度の挙動を概観し,これらの量に従来考えられていたよりも意味のある情報が少ないことを示す。分布の検出にこれらの可能性を使用することは、強く暗黙的な仮説に依存すると結論づけます。
参考スコア（独自算出の注目度）: 9.64157020816848
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Thanks to the tractability of their likelihood, some deep generative models show promise for seemingly straightforward but important applications like anomaly detection, uncertainty estimation, and active learning. However, the likelihood values empirically attributed to anomalies conflict with the expectations these proposed applications suggest. In this paper, we take a closer look at the behavior of distribution densities and show that these quantities carry less meaningful information than previously thought, beyond estimation issues or the curse of dimensionality. We conclude that the use of these likelihoods for out-of-distribution detection relies on strong and implicit hypotheses, and highlight the necessity of explicitly formulating these assumptions for reliable anomaly detection.
Abstract（参考訳）: その可能性のトラクタビリティのおかげで、いくつかの深い生成モデルは、異常検出、不確実性推定、アクティブラーニングといった一見単純だが重要な応用を約束する。しかしながら、これらの応用が示唆する期待と矛盾する異常に起因する可能性値が実証的に示される。本稿では,分布密度の挙動を詳細に検討し,推定問題や次元の呪いを超えて,従来考えられていたよりも有意義な情報が少ないことを示す。分布外検出におけるこれらの可能性の使用は強い仮説と暗黙の仮説に依存しており、信頼性の高い異常検出のためにこれらの仮定を明示的に定式化する必要があることを強調する。

関連論文リスト

Valid causal inference with unobserved confounding in high-dimensional settings [0.0]
半パラメトリックな推論が、観測されていない共同創設者や高次元ニュアンスモデルの存在下でどのように得られるかを示す。本研究では、観測不能な共振を許容する不確実区間を提案し、観測不能な共振の量が小さい場合、その結果の推論が有効であることを示す。
論文参考訳（メタデータ） (2024-01-12T13:21:20Z)
One step closer to unbiased aleatoric uncertainty estimation [71.55174353766289]
そこで本研究では,観測データのアクティブデノイズ化による新しい推定手法を提案する。幅広い実験を行うことで,提案手法が標準手法よりも実際のデータ不確実性にはるかに近い近似を与えることを示す。
論文参考訳（メタデータ） (2023-12-16T14:59:11Z)
A Data-Driven Measure of Relative Uncertainty for Misclassification Detection [25.947610541430013]
誤分類検出のための観測者に対して,不確実性に関するデータ駆動測度を導入する。ソフト予測の分布パターンを学習することにより,不確実性を測定することができる。複数の画像分類タスクに対する経験的改善を示し、最先端の誤分類検出方法より優れていることを示す。
論文参考訳（メタデータ） (2023-06-02T17:32:03Z)
Monotonicity and Double Descent in Uncertainty Estimation with Gaussian Processes [52.92110730286403]
限界確率はクロスバリデーションの指標を思い起こさせるべきであり、どちらもより大きな入力次元で劣化すべきである、と一般的に信じられている。我々は,ハイパーパラメータをチューニングすることにより,入力次元と単調に改善できることを証明した。また、クロスバリデーションの指標は、二重降下の特徴である質的に異なる挙動を示すことも証明した。
論文参考訳（メタデータ） (2022-10-14T08:09:33Z)
Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
論文参考訳（メタデータ） (2021-11-22T08:54:10Z)
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)
Understanding Failures in Out-of-Distribution Detection with Deep Generative Models [22.11487118547924]
アウト・ディストリビューションが関係する仮定なしでは、ランダムな確率を超える性能を保証する方法が存在しないことを実証する。イン・ディストリビューションとアウト・ディストリビューションのオーバーラップを想定した上で,その影響を強調した。以上の結果から, 推定誤差は, 可能性に基づくOOD検出と利害分布の相違よりも, より妥当な説明であることが示唆された。
論文参考訳（メタデータ） (2021-07-14T18:00:11Z)
Deconfounded Score Method: Scoring DAGs with Dense Unobserved Confounding [101.35070661471124]
本研究では,観測データ分布に特徴的フットプリントが残っており,突発的・因果的影響を解消できることを示す。汎用ソルバで実装し,高次元問題へのスケールアップが可能なスコアベース因果検出アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-03-28T11:07:59Z)
The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
論文参考訳（メタデータ） (2020-12-05T17:30:35Z)
Further Analysis of Outlier Detection with Deep Generative Models [30.37180598197441]
深部生成モデルは、しばしば外れ値に高い確率を割り当てる。モデルの典型的な集合と高密度領域が結合しないという観察から、この現象を説明できる。また,低レベルのテクスチャと高レベルのセマンティクスの相違による影響を解消するための追加実験も行います。
論文参考訳（メタデータ） (2020-10-25T08:20:38Z)

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。