論文の概要: Probabilistic Outlier Detection and Generation

• arxiv url: http://arxiv.org/abs/2012.12394v1
• Date: Tue, 22 Dec 2020 22:42:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-26 07:24:58.853858
• Title: Probabilistic Outlier Detection and Generation
• Title（参考訳）: 確率的外乱検出・生成
• Authors: Stefano Giovanni Rizzo, Linsey Pang, Yixian Chen, Sanjay Chawla
• Abstract要約: Wasserstein 二重オートエンコーダは、インリエとアウトプライヤの検出と生成の両方に使用されます。 WALDOは、検出精度とロバスト性のために古典的なデータセットで評価される。
• 参考スコア（独自算出の注目度）: 11.35109169978955
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A new method for outlier detection and generation is introduced by lifting data into the space of probability distributions which are not analytically expressible, but from which samples can be drawn using a neural generator. Given a mixture of unknown latent inlier and outlier distributions, a Wasserstein double autoencoder is used to both detect and generate inliers and outliers. The proposed method, named WALDO (Wasserstein Autoencoder for Learning the Distribution of Outliers), is evaluated on classical data sets including MNIST, CIFAR10 and KDD99 for detection accuracy and robustness. We give an example of outlier detection on a real retail sales data set and an example of outlier generation for simulating intrusion attacks. However we foresee many application scenarios where WALDO can be used. To the best of our knowledge this is the first work that studies both outlier detection and generation together.
• Abstract（参考訳）: 分析的に表現できない確率分布の空間にデータを持ち上げ、そこからニューラルジェネレータを用いてサンプルを描画することで、新たな異常検出・生成法を導入する。 未知の潜伏慣性分布と外れ値分布の混合が与えられると、ワッサースタイン二重オートエンコーダは、異常値と外れ値の検出と生成の両方に使用される。 提案手法はWALDO (Wasserstein Autoencoder for Learning the Distribution of Outliers) と呼ばれ,MNIST, CIFAR10, KDD99などの古典的データセットを用いて検出精度とロバスト性を評価する。 実際の小売販売データセットにおけるアウトラヤ検出の例と、侵入攻撃をシミュレートするためのアウトラヤ生成の例を示す。 しかし、WALDOが使える多くのアプリケーションシナリオを予測します。 私たちの知る限りでは、これは異常検出と生成の両方を一緒に研究する最初の仕事です。

関連論文リスト

• Beyond the Known: Adversarial Autoencoders in Novelty Detection [2.7486022583843233]
  新規性検出では、新しいデータポイントをinlierまたはoutlierに分類するかどうかを判断する。 我々は類似のフレームワークを軽量なディープネットワークで使用し、再構成誤差を伴う確率的スコアを採用する。 その結果,本手法は対象クラスを学習する上で有効であることが示唆され,いくつかのベンチマークデータセット上での最近の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-04-06T00:04:19Z)
• Diversified Outlier Exposure for Out-of-Distribution Detection via Informative Extrapolation [110.34982764201689]
  Out-of-Distribution(OOD)検出は、現実のアプリケーションに信頼性の高い機械学習モデルをデプロイするために重要である。 近年, 外部曝露によるOOD検出に有意な結果が得られた。 本稿では,補助外乱量に基づく情報外挿による効果的なOOD検出のための新しい枠組み,すなわちDivOE(Diversified Outlier Exposure)を提案する。
  論文  参考訳（メタデータ） (2023-10-21T07:16:09Z)
• Robust Outlier Rejection for 3D Registration with Variational Bayes [70.98659381852787]
  我々は、ロバストアライメントのための新しい変分非局所ネットワークベース外乱除去フレームワークを開発した。 そこで本稿では, 投票に基づく不整合探索手法を提案し, 変換推定のための高品質な仮説的不整合をクラスタリングする。
  論文  参考訳（メタデータ） (2023-04-04T03:48:56Z)
• Normalizing Flow based Feature Synthesis for Outlier-Aware Object Detection [8.249143014271887]
  Faster R-CNNのような汎用オブジェクト検出器は、外れ値のオブジェクトに対して過信的な予測を提供する傾向にある。 我々は,不整形オブジェクトと不整形オブジェクトを区別する,新しい不整形オブジェクト検出フレームワークを提案する。 提案手法は,画像データとビデオデータの両方において,外部認識オブジェクト検出の最先端性を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-02-01T13:12:00Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Efficient remedies for outlier detection with variational autoencoders [8.80692072928023]
  深層生成モデルによって計算される類似度は、ラベルなしデータによる外れ値検出の候補メトリックである。 理論的に定位された補正は、VAE推定値による鍵バイアスを容易に改善することを示す。 また,VAEのアンサンブル上で計算される確率の分散により,ロバストな外乱検出が可能となることを示す。
  論文  参考訳（メタデータ） (2021-08-19T16:00:58Z)
• Robust Out-of-Distribution Detection on Deep Probabilistic Generative Models [0.06372261626436676]
  アウト・オブ・ディストリビューション(OOD)検出は機械学習システムにおいて重要な課題である。 深い確率的生成モデルは、データサンプルの可能性を推定することによって、OODの検出を容易にする。 本稿では,外周露光を伴わない新しい検出指標を提案する。
  論文  参考訳（メタデータ） (2021-06-15T06:36:10Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• Homophily Outlier Detection in Non-IID Categorical Data [43.51919113927003]
  この研究は、新しい外れ値検出フレームワークとその2つのインスタンスを導入し、カテゴリデータの外れ値を特定する。 まず、分布に敏感な外部因子とその相互依存性を値値グラフベースの表現に定義し、組み込む。 学習した値の外れ度は、直接の外れ値検出または特徴選択の除外を可能にする。
  論文  参考訳（メタデータ） (2021-03-21T23:29:33Z)
• Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
  オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。 CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。 複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2020-08-12T06:23:49Z)
• 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。