論文の概要: The Deep Radial Basis Function Data Descriptor (D-RBFDD) Network: A One-Class Neural Network for Anomaly Detection

• arxiv url: http://arxiv.org/abs/2101.12632v1
• Date: Fri, 29 Jan 2021 15:15:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-05 00:28:00.414573
• Title: The Deep Radial Basis Function Data Descriptor (D-RBFDD) Network: A One-Class Neural Network for Anomaly Detection
• Title（参考訳）: Deep Radial Basis Function Data Descriptor (D-RBFDD) Network: 異常検出のための1クラスニューラルネットワーク
• Authors: Mehran H. Z. Bazargani, Arjun Pakrashi, Brian Mac Namee
• Abstract要約: 異常検出は機械学習において難しい問題である。 放射状基底関数データ記述子(rbfdd)ネットワークは異常検出に有効なソリューションである。 本稿では,RBFDDネットワークを改良して深層一級分類器に変換する手法について検討する。
• 参考スコア（独自算出の注目度）: 7.906608953906889
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Anomaly detection is a challenging problem in machine learning, and is even more so when dealing with instances that are captured in low-level, raw data representations without a well-behaved set of engineered features. The Radial Basis Function Data Descriptor (RBFDD) network is an effective solution for anomaly detection, however, it is a shallow model that does not deal effectively with raw data representations. This paper investigates approaches to modifying the RBFDD network to transform it into a deep one-class classifier suitable for anomaly detection problems with low-level raw data representations. We show that approaches based on transfer learning are not effective and our results suggest that this is because the latent representations learned by generic classification models are not suitable for anomaly detection. Instead we show that an approach that adds multiple convolutional layers before the RBF layer, to form a Deep Radial Basis Function Data Descriptor (D-RBFDD) network, is very effective. This is shown in a set of evaluation experiments using multiple anomaly detection scenarios created from publicly available image classification datasets, and a real-world anomaly detection dataset in which different types of arrhythmia are detected in electrocardiogram (ECG) data. Our experiments show that the D-RBFDD network out-performs state-of-the-art anomaly detection methods including the Deep Support Vector Data Descriptor (Deep SVDD), One-Class SVM, and Isolation Forest on the image datasets, and produces competitive results for the ECG dataset.
• Abstract（参考訳）: 異常検出は機械学習では難しい問題であり、低レベルの生データ表現でキャプチャされたインスタンスを扱う場合には、十分な技術的機能セットが存在しない。 放射状基底関数データ記述子(rbfdd)ネットワークは異常検出に有効な解であるが、生のデータ表現を効果的に処理しない浅層モデルである。 本稿では,rbfddネットワークを低レベルの生データ表現を用いた異常検出問題に適した深い1クラス分類器に変換する手法について検討する。 トランスファー学習に基づくアプローチは有効ではないこと,また,汎用分類モデルによって学習された潜在表現が異常検出に適さないことが示唆された。 代わりに、D-RBFDD(Deep Radial Basis Function Data Descriptor)ネットワークを形成するために、RBF層の前に複数の畳み込み層を追加するアプローチが非常に効果的であることを示す。 本研究は,画像分類データセットから生成された複数の異常検出シナリオと,心電図(ECG)データから異なる種類の不整脈を検出する実世界の異常検出データセットを用いて評価実験を行った。 本研究では,d-rbfddネットワークが,画像データセット上のdeep support vector data descriptor (deep svdd),one-class svm,アイソレーションフォレストを含む最先端の異常検出手法よりも優れており,ecgデータセットの競合結果が得られることを示す。

関連論文リスト

• ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
  ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。 各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
  論文  参考訳（メタデータ） (2024-05-27T02:42:33Z)
• DeepHYDRA: Resource-Efficient Time-Series Anomaly Detection in Dynamically-Configured Systems [3.44012349879073]
  我々はDeepHYDRA(Deep Hybrid DBSCAN/reduction-based Anomaly Detection)を提案する。 DBSCANと学習ベースの異常検出を組み合わせる。 大規模なデータセットと複雑なデータセットの両方において、異なるタイプの異常を確実に検出できることが示されている。
  論文  参考訳（メタデータ） (2024-05-13T13:47:15Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Active anomaly detection based on deep one-class classification [9.904380236739398]
  我々は,Deep SVDDにおけるアクティブラーニングの2つの重要な課題,すなわちクエリ戦略と半教師付きラーニング手法に対処する。 まず、単に異常を識別するのではなく、適応境界に従って不確実なサンプルを選択する。 第2に、ラベル付き正規データと異常データの両方を効果的に組み込むために、一級分類モデルの訓練にノイズコントラスト推定を適用した。
  論文  参考訳（メタデータ） (2023-09-18T03:56:45Z)
• AnoDFDNet: A Deep Feature Difference Network for Anomaly Detection [6.508649912734565]
  本稿では,畳み込みニューラルネットワークと視覚変換器を用いた高速列車画像の新たな異常検出(AD)手法を提案する。 提案手法は,同じ領域の異なる時間に撮影された2つの画像の異常な差を検出する。
  論文  参考訳（メタデータ） (2022-03-29T02:24:58Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• UDIS: Unsupervised Discovery of Bias in Deep Visual Recognition Models [14.086066389856173]
  深層学習モデルは、あるサブ集団の体系的な失敗につながることがあるデータから急激な相関を学習することが示されている。 本稿では,このような障害モードを解析・監視するための教師なしアルゴリズムUDISを提案する。 CelebA と MSCOCO データセット上で画像分類を訓練したモデルにおいて,UDIS による故障モードの同定の有効性を示す。
  論文  参考訳（メタデータ） (2021-10-29T02:36:37Z)
• DASVDD: Deep Autoencoding Support Vector Data Descriptor for Anomaly Detection [9.19194451963411]
  半教師付き異常検出は、通常のデータに基づいて訓練されたモデルを用いて、通常のサンプルから異常を検出することを目的としている。 本稿では,自己エンコーダのパラメータを協調的に学習する手法であるDASVDDを提案する。
  論文  参考訳（メタデータ） (2021-06-09T21:57:41Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)

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。