Fugu-MT 論文翻訳(概要): Towards Fair Deep Anomaly Detection

論文の概要: Towards Fair Deep Anomaly Detection

arxiv url: http://arxiv.org/abs/2012.14961v1
Date: Tue, 29 Dec 2020 22:34:45 GMT
ステータス: 処理完了
システム内更新日: 2021-04-18 20:49:35.535897
Title: Towards Fair Deep Anomaly Detection
Title（参考訳）: かなり深い異常検出に向けて
Authors: Hongjing Zhang, Ian Davidson
Abstract要約: 我々は,fair anomaly detectionアプローチ(deep fair svdd)のための新しいアーキテクチャを提案する。提案手法は,異常検出性能の低下を最小限に抑えることで不公平を解消できることを示す。
参考スコア（独自算出の注目度）: 24.237000220172906
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Anomaly detection aims to find instances that are considered unusual and is a fundamental problem of data science. Recently, deep anomaly detection methods were shown to achieve superior results particularly in complex data such as images. Our work focuses on deep one-class classification for anomaly detection which learns a mapping only from the normal samples. However, the non-linear transformation performed by deep learning can potentially find patterns associated with social bias. The challenge with adding fairness to deep anomaly detection is to ensure both making fair and correct anomaly predictions simultaneously. In this paper, we propose a new architecture for the fair anomaly detection approach (Deep Fair SVDD) and train it using an adversarial network to de-correlate the relationships between the sensitive attributes and the learned representations. This differs from how fairness is typically added namely as a regularizer or a constraint. Further, we propose two effective fairness measures and empirically demonstrate that existing deep anomaly detection methods are unfair. We show that our proposed approach can remove the unfairness largely with minimal loss on the anomaly detection performance. Lastly, we conduct an in-depth analysis to show the strength and limitations of our proposed model, including parameter analysis, feature visualization, and run-time analysis.
Abstract（参考訳）: 異常検出は、異常と見なされ、データサイエンスの根本的な問題であるインスタンスを見つけることを目的としている。近年,画像などの複雑なデータにおいて,深部異常検出法は優れた結果が得られた。本研究は,通常のサンプルからのみマッピングを学習する異常検出のための深層一クラス分類に焦点をあてる。しかし、ディープラーニングによって行われる非線形変換は、社会的バイアスに関連するパターンを見つける可能性がある。深部異常検出に公平さを加えることの課題は、公平かつ正確な異常予測を同時に行うことである。本稿では,fair anomaly detectionアプローチ(deep fair svdd)のための新しいアーキテクチャを提案する。これは通常、正則化器や制約としてフェアネスが加えられる方法とは異なる。さらに,2つの効果的な公平性尺度を提案し,既存の深部異常検出手法が不公平であることを示す。提案手法は,異常検出性能の低下を最小限に抑えることで不公平を解消できることを示す。最後に、パラメータ解析、特徴の可視化、ランタイム分析など、提案モデルの強みと限界を示すために、詳細な分析を行う。

関連論文リスト

MeLIAD: Interpretable Few-Shot Anomaly Detection with Metric Learning and Entropy-based Scoring [2.394081903745099]
本稿では,新たな異常検出手法であるMeLIADを提案する。 MeLIADはメートル法学習に基づいており、真の異常の事前分布仮定に頼ることなく、設計による解釈可能性を達成する。解釈可能性の定量的かつ定性的な評価を含む5つの公開ベンチマークデータセットの実験は、MeLIADが異常検出とローカライゼーション性能の改善を達成することを実証している。
論文参考訳（メタデータ） (2024-09-20T16:01:43Z)
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)
CL-Flow:Strengthening the Normalizing Flows by Contrastive Learning for Better Anomaly Detection [1.951082473090397]
コントラスト学習と2D-Flowを組み合わせた自己教師付き異常検出手法を提案する。本手法は,主流の教師なし手法と比較して,検出精度が向上し,モデルパラメータが減少し,推論速度が向上することを示す。 BTADデータセットでは,MVTecADデータセットでは画像レベルのAUROCが99.6%,BTADデータセットでは画像レベルのAUROCが96.8%であった。
論文参考訳（メタデータ） (2023-11-12T10:07:03Z)
SaliencyCut: Augmenting Plausible Anomalies for Anomaly Detection [24.43321988051129]
そこで本稿では,SaliencyCutという新たなデータ拡張手法を提案する。次に、各サンプルから微細な異常特徴を抽出し評価するために、異常学習ヘッドにパッチワイド残余モジュールを新規に設計する。
論文参考訳（メタデータ） (2023-06-14T08:55:36Z)
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)
Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection [90.32910087103744]
ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。本稿では,オープンセット型教師付き異常検出に取り組む。
論文参考訳（メタデータ） (2022-03-28T05:21:37Z)
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 the Effect of Bias in Deep Anomaly Detection [15.83398707988473]
異常検出はラベル付き異常データの不足のため、機械学習においてユニークな課題となる。最近の研究は、追加のラベル付き異常サンプルによる深部異常検出モデルのトレーニングを増強することで、このような問題を緩和しようとするものである。本稿では,異常検出に対するバイアス付き異常集合の効果を理解することを目的とする。
論文参考訳（メタデータ） (2021-05-16T03:55:02Z)
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)
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。