論文の概要: GAN Ensemble for Anomaly Detection

• arxiv url: http://arxiv.org/abs/2012.07988v1
• Date: Mon, 14 Dec 2020 22:39:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-08 16:18:40.932713
• Title: GAN Ensemble for Anomaly Detection
• Title（参考訳）: 異常検出のためのGANアンサンブル
• Authors: Xu Han, Xiaohui Chen, Li-Ping Liu
• Abstract要約: 異常検出のためのGANアンサンブルの構築を提案する。 提案手法では,生成器群と判別器群を一緒に訓練する。 GAN と GAN アンサンブルの理論的解析は、異常検出における GAN 識別器の役割を説明する。
• 参考スコア（独自算出の注目度）: 14.047923541109993
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When formulated as an unsupervised learning problem, anomaly detection often requires a model to learn the distribution of normal data. Previous works apply Generative Adversarial Networks (GANs) to anomaly detection tasks and show good performances from these models. Motivated by the observation that GAN ensembles often outperform single GANs in generation tasks, we propose to construct GAN ensembles for anomaly detection. In the proposed method, a group of generators and a group of discriminators are trained together, so every generator gets feedback from multiple discriminators, and vice versa. Compared to a single GAN, a GAN ensemble can better model the distribution of normal data and thus better detect anomalies. Our theoretical analysis of GANs and GAN ensembles explains the role of a GAN discriminator in anomaly detection. In the empirical study, we evaluate ensembles constructed from four types of base models, and the results show that these ensembles clearly outperform single models in a series of tasks of anomaly detection.
• Abstract（参考訳）: 教師なし学習問題として定式化された場合、異常検出は正規データの分布を学習するモデルを必要とすることが多い。 以前の研究では、GAN(Generative Adversarial Networks)を異常検出タスクに適用し、これらのモデルの性能を示す。 GANアンサンブルが生成タスクにおいて1つのGANを上回り、異常検出のためのGANアンサンブルを構築することを提案する。 提案手法では, ジェネレータ群と識別器群が共に訓練され, それぞれのジェネレータが複数の識別器からフィードバックを受け, 逆も受けられる。 単一のGANと比較して、GANアンサンブルは通常のデータの分布をより良くモデル化し、異常を検出することができる。 GAN と GAN アンサンブルの理論的解析は、異常検出における GAN 識別器の役割を説明する。 実験では, 4種類のベースモデルから構成したアンサンブルを評価し, これらのアンサンブルが, 異常検出の一連のタスクにおいて, 単一モデルよりも明らかに優れていることを示す。

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)
• Spot The Odd One Out: Regularized Complete Cycle Consistent Anomaly Detector GAN [4.5123329001179275]
  本研究では,GAN(Generative Adversarial Neural Network)のパワーを活用した,現実の応用における異常検出のための逆方向検出手法を提案する。 従来の手法は、あらゆる種類の異常に適用できないような、クラス単位での精度のばらつきに悩まされていた。 RCALADという手法は,この構造に新たな識別器を導入し,より効率的な学習プロセスを実現することで,この問題を解決しようとするものである。
  論文  参考訳（メタデータ） (2023-04-16T13:05:39Z)
• Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
  本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。 PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。 異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
  論文  参考訳（メタデータ） (2022-12-05T05:03:46Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• on the effectiveness of generative adversarial network on anomaly detection [1.6244541005112747]
  GANは、実際のトレーニング分布を特定するために、これらのモデルのリッチなコンテキスト情報に依存している。 本稿では,自動エンコーダとGANを組み合わせた新しい教師なしモデルを提案する。 識別器の内部表現と生成器の視覚表現の線形結合と、オートエンコーダの符号化表現とを組み合わせて、提案した異常スコアを定義する。
  論文  参考訳（メタデータ） (2021-12-31T16:35:47Z)
• General Greedy De-bias Learning [163.65789778416172]
  本稿では,関数空間における勾配降下のような偏りのあるモデルとベースモデルを優雅に訓練する一般グリーディ・デバイアス学習フレームワーク(GGD)を提案する。 GGDは、事前知識を持つタスク固有バイアスモデルと、事前知識を持たない自己アンサンブルバイアスモデルの両方の設定の下で、より堅牢なベースモデルを学ぶことができる。
  論文  参考訳（メタデータ） (2021-12-20T14:47:32Z)
• On the Fairness of Generative Adversarial Networks (GANs) [1.061960673667643]
  GAN(Generative adversarial Network)は、近年のAIの最大の進歩の1つです。 本稿では,GANモデルの公平性に関する問題を分析し,強調する。
  論文  参考訳（メタデータ） (2021-03-01T12:25:01Z)
• Dual-encoder Bidirectional Generative Adversarial Networks for Anomaly Detection [0.0]
  我々は、ジェネレータと識別器ネットワークを同時に訓練した双方向GANアーキテクチャのデュアルエンコーダを開発する。 提案手法が正常試料の分布を捉えるのに有効であることを示し,ganモデルにおける異常検出を改善した。
  論文  参考訳（メタデータ） (2020-12-22T05:05:33Z)
• GANs with Variational Entropy Regularizers: Applications in Mitigating the Mode-Collapse Issue [95.23775347605923]
  深層学習の成功に基づいて、GAN(Generative Adversarial Networks)は、観測されたサンプルから確率分布を学習するための現代的なアプローチを提供する。 GANはしばしば、ジェネレータが入力分布の既存のすべてのモードをキャプチャできないモード崩壊問題に悩まされる。 情報理論のアプローチを採り、生成したサンプルのエントロピーの変動的下限を最大化し、それらの多様性を増大させる。
  論文  参考訳（メタデータ） (2020-09-24T19:34:37Z)
• 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。