論文の概要: What is Wrong with One-Class Anomaly Detection?

• arxiv url: http://arxiv.org/abs/2104.09793v1
• Date: Tue, 20 Apr 2021 07:10:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-21 22:07:07.938254
• Title: What is Wrong with One-Class Anomaly Detection?
• Title（参考訳）: 1クラス異常検出で何が問題か?
• Authors: JuneKyu Park, Jeong-Hyeon Moon, Namhyuk Ahn and Kyung-Ah Sohn
• Abstract要約: 潜在クラス条件に基づく異常検出シナリオを提案する。 提案したシナリオに合わせた自信に基づく自己ラベル型ADフレームワークを提案する。 提案するフレームワークは,近年の潜在型マルチクラスシナリオにおいて,一級ADメソッドよりも優れている。
• 参考スコア（独自算出の注目度）: 13.243457780219883
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: From a safety perspective, a machine learning method embedded in real-world applications is required to distinguish irregular situations. For this reason, there has been a growing interest in the anomaly detection (AD) task. Since we cannot observe abnormal samples for most of the cases, recent AD methods attempt to formulate it as a task of classifying whether the sample is normal or not. However, they potentially fail when the given normal samples are inherited from diverse semantic labels. To tackle this problem, we introduce a latent class-condition-based AD scenario. In addition, we propose a confidence-based self-labeling AD framework tailored to our proposed scenario. Since our method leverages the hidden class information, it successfully avoids generating the undesirable loose decision region that one-class methods suffer. Our proposed framework outperforms the recent one-class AD methods in the latent multi-class scenarios.
• Abstract（参考訳）: 安全性の観点からは、現実のアプリケーションに埋め込まれた機械学習手法は、不規則な状況を区別するために必要である。 このため、異常検出(AD)タスクへの関心が高まっている。 多くの症例で異常サンプルは観察できないため,最近のAD法では,サンプルが正常かどうかを分類する作業として定式化しようとしている。 しかし、与えられた通常のサンプルが多様なセマンティックラベルから受け継がれると失敗する可能性がある。 この問題に対処するために,クラス条件に基づくADシナリオを導入する。 また,提案シナリオに合わせた信頼性に基づく自己ラベル型ADフレームワークを提案する。 本手法は,隠されたクラス情報を活用するため,一級メソッドが抱える望ましくないゆるい決定領域の生成を回避できる。 提案するフレームワークは,近年の潜在マルチクラスシナリオにおいて,一級ADメソッドよりも優れている。

関連論文リスト

• Absolute-Unified Multi-Class Anomaly Detection via Class-Agnostic Distribution Alignment [27.375917265177847]
  教師なし異常検出(UAD)メソッドは、各オブジェクトカテゴリごとに別々のモデルを構築する。 近年の研究では、複数のクラス、すなわちモデル統一 UAD に対する統一モデルのトレーニングが提案されている。 我々は,クラス情報,すなわちtextitabsolute-unified UADを使わずに,マルチクラス異常検出に対処する,シンプルかつ強力な手法を提案する。
  論文  参考訳（メタデータ） (2024-03-31T15:50:52Z)
• Activate and Reject: Towards Safe Domain Generalization under Category Shift [71.95548187205736]
  カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。 未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。 従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
  論文  参考訳（メタデータ） (2023-10-07T07:53:12Z)
• Don't Miss Out on Novelty: Importance of Novel Features for Deep Anomaly Detection [64.21963650519312]
  異常検出(AD)は、正規性の学習モデルに適合しない観察を識別する重要なタスクである。 本稿では, 入力空間における説明不能な観測として, 説明可能性を用いた新しいAD手法を提案する。 当社のアプローチでは,複数のベンチマークにまたがる新たな最先端性を確立し,さまざまな異常な型を扱う。
  論文  参考訳（メタデータ） (2023-10-01T21:24:05Z)
• That's BAD: Blind Anomaly Detection by Implicit Local Feature Clustering [28.296651124677556]
  ブラインド異常検出(BAD)の設定は、局所的な異常検出問題に変換することができる。 画像および画素レベルの異常を正確に検出できるPatchClusterという新しい手法を提案する。 実験結果から、PatchClusterは通常のデータを知ることなく、有望なパフォーマンスを示すことがわかった。
  論文  参考訳（メタデータ） (2023-07-06T18:17:43Z)
• Exposing Outlier Exposure: What Can Be Learned From Few, One, and Zero Outlier Images [26.283734474660484]
  専門的なAD学習手法は、実際には多量かつ膨大なデータのコーパスであることを示す。 我々は,この現象を調査し,一級法がトレーニングアウトリージの特定の選択に対してより堅牢であることを明らかにする。
  論文  参考訳（メタデータ） (2022-05-23T17:23:15Z)
• Data-Efficient and Interpretable Tabular Anomaly Detection [54.15249463477813]
  本稿では,ホワイトボックスモデルクラスである一般化付加モデルを適用し,異常を検出する新しいフレームワークを提案する。 さらに、提案フレームワークであるDIADは、ラベル付きデータの少量を組み込んで、半教師付き設定における異常検出性能をさらに向上させることができる。
  論文  参考訳（メタデータ） (2022-03-03T22:02:56Z)
• Self-Trained One-class Classification for Unsupervised Anomaly Detection [56.35424872736276]
  異常検出(AD)は、製造から医療まで、さまざまな分野に応用されている。 本研究は、トレーニングデータ全体がラベル付けされておらず、正規サンプルと異常サンプルの両方を含む可能性のある、教師なしAD問題に焦点を当てる。 この問題に対処するため,データリファインメントによる堅牢な一級分類フレームワークを構築した。 本手法は6.3AUCと12.5AUCの平均精度で最先端の1クラス分類法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-11T01:36:08Z)
• Unsupervised and self-adaptative techniques for cross-domain person re-identification [82.54691433502335]
  非重複カメラにおける人物再識別(ReID)は難しい課題である。 Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。 本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
  論文  参考訳（メタデータ） (2021-03-21T23:58:39Z)
• Meta-AAD: Active Anomaly Detection with Deep Reinforcement Learning [56.65934079419417]
  偽陽性率が高いことは、異常検出アルゴリズムの長年の課題である。 本稿では,クエリ選択のためのメタポリシーを学習する新しいフレームワーク,Meta-AAD(Active Anomaly Detection with Meta-Policy)を提案する。
  論文  参考訳（メタデータ） (2020-09-16T01:47:42Z)

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。