論文の概要: Bump Hunting in Latent Space
- arxiv url: http://arxiv.org/abs/2103.06595v1
- Date: Thu, 11 Mar 2021 10:48:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-12 14:33:43.597849
- Title: Bump Hunting in Latent Space
- Title(参考訳): 潜時空間におけるバンプハンティング
- Authors: Bla\v{z} Bortolato, Barry M. Dillon, Jernej F. Kamenik, Aleks
Smolkovi\v{c}
- Abstract要約: LHCオリンピックマシンラーニングチャレンジデータセット上で競争的かつ堅牢に機能する、物理学にインスパイアされた変動オートエンコーダ(VAE)アーキテクチャを紹介します。
我々は、いくつかの物理的オブザーバブルをVAEの潜時空間に直接埋め込むと同時に、分類器を明らかに識別し、データセット内の異常の存在によって引き起こされる測定されたスペクトルの特徴を特定するのに役立つことを実証する。
- 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: Unsupervised anomaly detection could be crucial in future analyses searching
for rare phenomena in large datasets, as for example collected at the LHC. To
this end, we introduce a physics inspired variational autoencoder (VAE)
architecture which performs competitively and robustly on the LHC Olympics
Machine Learning Challenge datasets. We demonstrate how embedding some physical
observables directly into the VAE latent space, while at the same time keeping
the classifier manifestly agnostic to them, can help to identify and
characterise features in measured spectra as caused by the presence of
anomalies in a dataset.
- Abstract(参考訳): 監視されていない異常検出は、例えばLHCで収集されたような、大規模なデータセットでまれな現象を検索する将来の分析に不可欠です。
この目的のために、LHCオリンピックマシンラーニングチャレンジデータセット上で競争的かつ堅牢に機能する物理学に触発された変動オートエンコーダ(VAE)アーキテクチャを紹介します。
本研究では,vae潜在性空間に直接物理観測対象を埋め込み,同時に分類器を明示的に不可知性に保ちながら,データセットに異常が存在することに起因するスペクトルの特徴を識別し特徴付ける方法を示す。
関連論文リスト
- Spatial-temporal Memories Enhanced Graph Autoencoder for Anomaly Detection in Dynamic Graphs [52.956235109354175]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。
空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。
STRIPEは、動的グラフの異なる空間的・時間的ダイナミクスを効果的に活用することにより、異常を識別する優れた能力を示した。
論文 参考訳(メタデータ) (2024-03-14T02:26:10Z) - Datacube segmentation via Deep Spectral Clustering [80.32085982862151]
拡張ビジョン技術は、しばしばその解釈に挑戦する。
データ立方体スペクトルの巨大な次元性は、その統計的解釈において複雑なタスクを生じさせる。
本稿では,符号化空間における教師なしクラスタリング手法の適用の可能性について検討する。
統計的次元削減はアドホック訓練(可変)オートエンコーダで行い、クラスタリング処理は(学習可能な)反復K-Meansクラスタリングアルゴリズムで行う。
論文 参考訳(メタデータ) (2024-01-31T09:31:28Z) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation :
A Unified Approach [52.14916470104883]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳(メタデータ) (2023-11-27T13:14:06Z) - Resilient VAE: Unsupervised Anomaly Detection at the SLAC Linac Coherent
Light Source [3.7390282036618916]
本稿では,Resilient Variational Autoencoder (ResVAE)について紹介する。
ResVAEはトレーニングデータに存在する異常に対するレジリエンスを示し、特徴レベルの異常属性を提供する。
本稿では,SLAC Linac Coherent Light Sourceにおける加速器状態の異常を検出するために提案手法を適用した。
論文 参考訳(メタデータ) (2023-09-05T15:53:41Z) - Unravelling physics beyond the standard model with classical and quantum
anomaly detection [1.014313095022286]
現在の実験では、追加のBeyond Standard Model(BSM)理論の発展を導く新しい物理学の兆候は示されていない。
本稿では,ランダムなプロセスによる異常の人工的生成に基づいて,教師付き学習環境で異常検出を行う新しい手法を提案する。
さらに有望なことに、人工的な異常を識別するために訓練されたSVCを用いることで、現実的なBSMイベントを高精度に識別することが可能である。
論文 参考訳(メタデータ) (2023-01-25T19:00:14Z) - Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology
Classification and Anomaly Detection [57.85347204640585]
We developed a Universal Domain Adaptation method DeepAstroUDA。
異なるタイプのクラスオーバーラップしたデータセットに適用することができる。
初めて、我々は2つの非常に異なる観測データセットに対するドメイン適応の有効利用を実演した。
論文 参考訳(メタデータ) (2022-11-01T18:07:21Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳(メタデータ) (2022-06-30T06:00:13Z) - Deep Learning Models of the Discrete Component of the Galactic
Interstellar Gamma-Ray Emission [61.26321023273399]
H2星間ガス中の小さな(あるいは離散的な)構造からの重要な点状成分がフェルミ・LATデータに存在する可能性がある。
深層学習は、これらの稀なH2プロキシによって追跡されるガンマ線放射を、データ豊富な領域において統計的に有意な範囲でモデル化するために効果的に利用される可能性がある。
論文 参考訳(メタデータ) (2022-06-06T18:00:07Z) - Detecting and Diagnosing Terrestrial Gravitational-Wave Mimics Through
Feature Learning [0.7388859384645262]
本稿では,超複雑系の突発的過渡異常を検知し,特徴付ける手法の実証について述べる。
重力波の発見を制限する問題の1つは、地球起源のノイズアーティファクトである。
我々は,高度に解釈可能な畳み込み分類器が,補助検出器データから過渡的異常を自動的に検出する方法を示す。
論文 参考訳(メタデータ) (2022-03-09T23:39:41Z) - The Dark Machines Anomaly Score Challenge: Benchmark Data and Model
Independent Event Classification for the Large Hadron Collider [0.0]
我々は、Dark Machines InitiativeとLes Houches 2019 Workshop on Physics at TeV Colllidersで実施されたデータチャレンジの結果について説明する。
この課題は、教師なし機械学習アルゴリズムを使用して、LHCで新しい物理学の信号を検出することを目的としている。
論文 参考訳(メタデータ) (2021-05-28T18:00:02Z) - Video Anomaly Detection by Estimating Likelihood of Representations [21.879366166261228]
ビデオ異常は、モーション表現、オブジェクトのローカライゼーション、アクション認識など、多くのサブタスクを解決するため、困難なタスクである。
伝統的に、この課題に対する解決策は、これらの特徴の空間的接続を無視しながら、ビデオフレームとその低次元特徴のマッピングに焦点を当ててきた。
最近のソリューションでは、K-Meansのようなハードクラスタリング技術を用いてこれらの空間的接続を分析することや、潜伏した特徴を一般的な理解にマップするためにニューラルネットワークを適用することに焦点を当てている。
潜在特徴空間における映像異常を解決するために,このタスクを密度推定問題に転送するための深い確率モデルを提案する。
論文 参考訳(メタデータ) (2020-12-02T19:16:22Z)
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。