論文の概要: Wisdom of the Contexts: Active Ensemble Learning for Contextual Anomaly Detection

• arxiv url: http://arxiv.org/abs/2101.11560v1
• Date: Wed, 27 Jan 2021 17:34:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-01 19:26:25.609272
• Title: Wisdom of the Contexts: Active Ensemble Learning for Contextual Anomaly Detection
• Title（参考訳）: コンテキストの知恵: コンテキスト異常検出のためのアクティブアンサンブル学習
• Authors: Ece Calikus, Slawomir Nowaczyk, Mohamed-Rafik Bouguelia, and Onur Dikmen
• Abstract要約: 文脈異常検出(CAD)では、オブジェクトは特定のコンテキスト内でのみ異常と見なされる。 We propose a novel approach called WisCon, which generated contexts from the feature set。 提案手法は,すべての有用なコンテキストが同じではないという仮定に基づいて,異なる重要度スコアを持つ複数のコンテキストのアンサンブルを構築する。
• 参考スコア（独自算出の注目度）: 7.87320844079302
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In contextual anomaly detection (CAD), an object is only considered anomalous within a specific context. Most existing methods for CAD use a single context based on a set of user-specified contextual features. However, identifying the right context can be very challenging in practice, especially in datasets, with a large number of attributes. Furthermore, in real-world systems, there might be multiple anomalies that occur in different contexts and, therefore, require a combination of several "useful" contexts to unveil them. In this work, we leverage active learning and ensembles to effectively detect complex contextual anomalies in situations where the true contextual and behavioral attributes are unknown. We propose a novel approach, called WisCon (Wisdom of the Contexts), that automatically creates contexts from the feature set. Our method constructs an ensemble of multiple contexts, with varying importance scores, based on the assumption that not all useful contexts are equally so. Experiments show that WisCon significantly outperforms existing baselines in different categories (i.e., active classifiers, unsupervised contextual and non-contextual anomaly detectors, and supervised classifiers) on seven datasets. Furthermore, the results support our initial hypothesis that there is no single perfect context that successfully uncovers all kinds of contextual anomalies, and leveraging the "wisdom" of multiple contexts is necessary.
• Abstract（参考訳）: 文脈異常検出(CAD)では、オブジェクトは特定のコンテキスト内でのみ異常と見なされる。 CADの既存のほとんどのメソッドは、ユーザー指定のコンテキスト機能に基づいて単一のコンテキストを使用します。 しかし、適切なコンテキストを特定することは、実際には、特にデータセットでは、多数の属性で非常に困難です。 さらに、現実世界のシステムでは、異なる文脈で発生する複数の異常が存在するため、それらを明らかにするためにいくつかの「有用な」コンテキストを組み合わせる必要がある。 本研究では,アクティブラーニングとアンサンブルを用いて,真の文脈属性や行動属性が不明な状況において,複雑な文脈異常を効果的に検出する。 機能セットからコンテキストを自動的に生成する WisCon (Wisdom of the Contexts) と呼ばれる新しいアプローチを提案する。 提案手法は,すべての有用なコンテキストが等しく同じではないという仮定に基づいて,重要度スコアの異なる複数のコンテキストのアンサンブルを構築する。 実験によると、WisConは7つのデータセットの異なるカテゴリ(すなわち、アクティブな分類器、教師なしのコンテキストおよび非コンテキスト異常検出器、および教師付き分類器)の既存のベースラインを大幅に上回っている。 さらに,この結果から,すべての文脈異常をうまく解明できる完全コンテキストが存在しないという最初の仮説が支持され,複数の文脈の"wisdom"を活用することが求められた。

関連論文リスト

• A Study of Test-time Contrastive Concepts for Open-world, Open-vocabulary Semantic Segmentation [14.899741072838994]
  最近のVLMは、大量の画像とテキストのペアで事前訓練されており、オープン語彙のセマンティックセマンティックセグメンテーションへの道を開いた。 ここでは、テキストのプロンプトとその他何も考慮し、単一の概念をセグメント化するより難しいシナリオを考えます。 一般的な"背景"テキストとは対照的に,クエリ固有のテストタイムのコントラッシブテキストの概念を生成するさまざまな方法について検討する。
  論文  参考訳（メタデータ） (2024-07-06T12:18:43Z)
• Putting Context in Context: the Impact of Discussion Structure on Text Classification [13.15873889847739]
  本稿では,英語における姿勢検出のための大規模データセットに関する一連の実験を提案する。 異なる種類の文脈情報の寄与を評価する。 構造情報はテキスト分類には非常に有用であるが,特定の状況下でのみ有用であることを示す。
  論文  参考訳（メタデータ） (2024-02-05T12:56:22Z)
• Contextual information integration for stance detection via cross-attention [59.662413798388485]
  スタンス検出は、著者の目標に対する姿勢を特定することを扱う。 既存のスタンス検出モデルの多くは、関連するコンテキスト情報を考慮していないため、制限されている。 文脈情報をテキストとして統合する手法を提案する。
  論文  参考訳（メタデータ） (2022-11-03T15:04:29Z)
• Context-LGM: Leveraging Object-Context Relation for Context-Aware Object Recognition [48.5398871460388]
  本稿では,オブジェクト・コンテキスト関係を階層的にモデル化する新しいコンテキスト潜在生成モデル(Contextual Latent Generative Model,Context-LGM)を提案する。 文脈的特徴を推定するために、変数自動エンコーダ(VAE)の目的関数を再構成し、対象物に対する後続条件付き分布として文脈的特徴を学習する。 本手法の有効性は,2つのコンテキスト認識オブジェクト認識タスクにおける最先端性能によって検証される。
  論文  参考訳（メタデータ） (2021-10-08T11:31:58Z)
• Exploiting Multi-Object Relationships for Detecting Adversarial Attacks in Complex Scenes [51.65308857232767]
  ディープニューラルネットワーク(DNN)をデプロイするビジョンシステムは、敵の例に弱いことが知られている。 近年の研究では、入力データの固有成分のチェックは、敵攻撃を検出するための有望な方法であることが示された。 言語モデルを用いてコンテキスト整合性チェックを行う新しい手法を開発した。
  論文  参考訳（メタデータ） (2021-08-19T00:52:10Z)
• Measuring and Increasing Context Usage in Context-Aware Machine Translation [64.5726087590283]
  機械翻訳モデルによるコンテキストの使用を定量的にするために、新しいメトリクス、条件付き相互情報を導入します。 次に,コンテキスト認識モデルによってコンテキストの使用量を増やすために,コンテキスト認識ワードドロップアウトという,新しい簡易なトレーニング手法を導入する。
  論文  参考訳（メタデータ） (2021-05-07T19:55:35Z)
• Dynamic Semantic Matching and Aggregation Network for Few-shot Intent Detection [69.2370349274216]
  利用可能な注釈付き発話が不足しているため、インテント検出は困難である。 セマンティック成分はマルチヘッド自己認識によって発話から蒸留される。 本手法はラベル付きインスタンスとラベルなしインスタンスの両方の表現を強化するための総合的なマッチング手段を提供する。
  論文  参考訳（メタデータ） (2020-10-06T05:16:38Z)
• Contextual Diversity for Active Learning [9.546771465714876]
  大規模なデータセットは、多くの実用化のためにディープ畳み込みニューラルネットワーク(CNN)の使用を制限する。 空間的に共起するクラスに関連した混乱を捉える文脈的多様性の概念を導入する。 本研究は,活発な学習に文脈的多様性を用いることの利点を明らかにした。
  論文  参考訳（メタデータ） (2020-08-13T07:04:15Z)
• Don't Judge an Object by Its Context: Learning to Overcome Contextual Bias [113.44471186752018]
  既存のモデルは、認識精度を向上させるために、オブジェクトとそのコンテキスト間の共起を利用することが多い。 この研究は、学習した特徴表現の堅牢性を改善するために、そのような文脈バイアスに対処することに焦点を当てている。
  論文  参考訳（メタデータ） (2020-01-09T18:31:55Z)

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。