論文の概要: Dual-encoder Bidirectional Generative Adversarial Networks for Anomaly Detection

• arxiv url: http://arxiv.org/abs/2012.11834v1
• Date: Tue, 22 Dec 2020 05:05:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-26 07:39:53.562730
• Title: Dual-encoder Bidirectional Generative Adversarial Networks for Anomaly Detection
• Title（参考訳）: dual-encoder bidirectional generative adversarial network for anomaly detection
• Authors: Teguh Budianto, Tomohiro Nakai, Kazunori Imoto, Takahiro Takimoto, Kosuke Haruki
• Abstract要約: 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。
• 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: Generative adversarial networks (GANs) have shown promise for various problems including anomaly detection. When anomaly detection is performed using GAN models that learn only the features of normal data samples, data that are not similar to normal data are detected as abnormal samples. The present approach is developed by employing a dual-encoder in a bidirectional GAN architecture that is trained simultaneously with a generator and a discriminator network. Through the learning mechanism, the proposed method aims to reduce the problem of bad cycle consistency, in which a bidirectional GAN might not be able to reproduce samples with a large difference between normal and abnormal samples. We assume that bad cycle consistency occurs when the method does not preserve enough information of the sample data. We show that our proposed method performs well in capturing the distribution of normal samples, thereby improving anomaly detection on GAN-based models. Experiments are reported in which our method is applied to publicly available datasets, including application to a brain magnetic resonance imaging anomaly detection system.
• Abstract（参考訳）: GAN(Generative Adversarial Network)は、異常検出を含む様々な問題に対して、将来性を示す。 正常なデータサンプルの特徴のみを学習するGANモデルを用いて異常検出を行うと、正常なデータと類似しないデータが異常サンプルとして検出される。 本手法は,ジェネレータと識別器ネットワークを同時にトレーニングする双方向GANアーキテクチャにおいて,デュアルエンコーダを用いて開発する。 本手法は, 正常試料と異常試料との大きな差を伴って, 双方向のGANがサンプルを再現できないという, 悪循環整合性の問題を軽減することを目的としている。 サンプルデータの十分な情報を保存できない場合、悪いサイクル一貫性が発生すると仮定する。 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。 脳磁気共鳴画像異常検出システムへの応用を含む,公開データセットに本手法を適用した実験を報告する。

関連論文リスト

• Ensembled Cold-Diffusion Restorations for Unsupervised Anomaly Detection [7.94529540044472]
  Unsupervised Anomaly Detection (UAD) は、異常のないデータセットから学習した規範的分布と比較したテストサンプル中の異常を識別することを目的としている。 生成モデルに基づくアプローチは、異常のないテスト画像を生成することによって解釈可能性を提供するが、通常、微妙な異常を識別することはできない。 本稿では, 両戦略の強みを組み合わせた新しい手法を提案する。 生成型冷拡散パイプラインは, 合成劣化画像の正常な元の外観に戻すことを目標として訓練される。
  論文  参考訳（メタデータ） (2024-07-09T08:02:46Z)
• 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)
• 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)
• Semi-Supervised Learning for Anomaly Traffic Detection via Bidirectional Normalizing Flows [47.4772981101262]
  本稿では,異常なネットワークトラフィック検出の問題点を考察し,通常のトラフィックのみを用いた3段階の異常検出フレームワークを提案する。 本フレームワークは,異常を事前に知ることなく擬似異常サンプルを生成し,異常データの検出を実現する。
  論文  参考訳（メタデータ） (2024-03-13T02:10:32Z)
• Augment to Detect Anomalies with Continuous Labelling [10.646747658653785]
  異常検出は、トレーニング観察と何らかの点で異なるサンプルを認識することである。 最近の最先端のディープラーニングに基づく異常検出手法は、計算コスト、複雑さ、不安定な訓練手順、非自明な実装に悩まされている。 我々は、軽量な畳み込みニューラルネットワークを訓練し、異常検出における最先端の性能に到達するための単純な学習手順を活用する。
  論文  参考訳（メタデータ） (2022-07-03T20:11:51Z)
• 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)
• Anomaly Detection by Leveraging Incomplete Anomalous Knowledge with Anomaly-Aware Bidirectional GANs [15.399369134281775]
  異常検出の目標は、正常なサンプルから異常なサンプルを特定することである。 本稿では,少数の異常がトレーニング段階で利用可能であることが想定されているが,これらは複数の異常タイプからのみ収集されていると推定されている。 本稿では,通常のサンプルをモデル化するだけでなく,収集した異常に対して低密度値の割り当てを保証できる確率分布の学習を提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:12:49Z)
• 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)
• G2D: Generate to Detect Anomaly [10.977404378308817]
  我々は、通常のサンプルのみを用いて、GANスタイルの2つのディープニューラルネットワーク(ジェネレータと判別器)を学習する。 トレーニングフェーズでは、ジェネレータが正常なデータの生成に失敗した場合、不規則なジェネレータと見なすことができる。 生成した異常サンプルのバイナリ分類器と正常なインスタンスをトレーニングして不規則を検出する。
  論文  参考訳（メタデータ） (2020-06-20T18:02:50Z)
• 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。