論文の概要: Brittle Features May Help Anomaly Detection

• arxiv url: http://arxiv.org/abs/2104.10453v1
• Date: Wed, 21 Apr 2021 10:46:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-22 20:39:18.978546
• Title: Brittle Features May Help Anomaly Detection
• Title（参考訳）: 脆い特徴は異常検出に役立つ
• Authors: Kimberly T. Mai, Toby Davies, Lewis D. Griffin
• Abstract要約: 異常を正規データと明確に区別する表現は理想的であるが、通常のデータのみを訓練時に利用できるため、この表現に到達することは困難である。 実際のX線セキュリティデータセットで96.4%の異常を検出でき、以前の結果を上回った。
• 参考スコア（独自算出の注目度）: 8.336315962271396
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: One-class anomaly detection is challenging. A representation that clearly distinguishes anomalies from normal data is ideal, but arriving at this representation is difficult since only normal data is available at training time. We examine the performance of representations, transferred from auxiliary tasks, for anomaly detection. Our results suggest that the choice of representation is more important than the anomaly detector used with these representations, although knowledge distillation can work better than using the representations directly. In addition, separability between anomalies and normal data is important but not the sole factor for a good representation, as anomaly detection performance is also correlated with more adversarially brittle features in the representation space. Finally, we show our configuration can detect 96.4% of anomalies in a genuine X-ray security dataset, outperforming previous results.
• Abstract（参考訳）: 一級異常検出は困難である。 異常を正規データと明確に区別する表現は理想的であるが、通常のデータのみを訓練時に利用できるため、この表現に到達することは難しい。 補助タスクから転送される表現の性能を異常検出のために検討する。 以上の結果から,これらの表現で用いられる異常検出器よりも表現の選択が重要であることが示唆された。 さらに、異常検出性能は、表現空間におけるより敵対的に脆い特徴と相関するため、異常と正規データとの分離性は重要であるが、良好な表現の唯一の要因ではない。 最後に、我々の構成が本物のx線セキュリティデータセットで96.4%の異常を検出できることを示した。

関連論文リスト

• 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$を提案する。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• CRADL: Contrastive Representations for Unsupervised Anomaly Detection and Localization [2.8659934481869715]
  医用画像における教師なし異常検出は、訓練中に異常データを必要とせず、任意の異常を検出し、位置決めすることを目的としている。 現在の最先端の手法のほとんどは、画像上で直接動作する潜在変数生成モデルを使用している。 コントラストプレテクストタスクで訓練されたエンコーダの低次元表現空間において,正規サンプルの分布を直接モデル化するCRADLを提案する。
  論文  参考訳（メタデータ） (2023-01-05T16:07:49Z)
• Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
  本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。 PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。 異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
  論文  参考訳（メタデータ） (2022-12-05T05:03:46Z)
• Self-Supervised Losses for One-Class Textual Anomaly Detection [6.649715954440713]
  テキスト中の異常検出のための現在のディープラーニング手法は、調整が難しいインレーヤの監視信号に依存している。 我々は、自己監督目的を持つ不整合データ上の微調整変換器と、損失を異常スコアとして用いるという、より単純な方法について検討する。 全体として、自己超越アプローチは、様々な異常検出シナリオにおいて、他の方法よりも優れている。
  論文  参考訳（メタデータ） (2022-04-12T10:42:47Z)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)
• 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)
• Contrastive Predictive Coding for Anomaly Detection [0.0]
  対照的予測符号化モデル (arXiv:1807.03748) は異常検出とセグメンテーションに使用される。 パッチワイドのコントラスト損失を直接異常スコアと解釈できることを示す。 ModelはMVTec-ADデータセット上の異常検出とセグメンテーションの両方に対して有望な結果を達成する。
  論文  参考訳（メタデータ） (2021-07-16T11:04:35Z)
• 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)
• Sub-clusters of Normal Data for Anomaly Detection [0.15229257192293197]
  データ分析における異常検出は、現実のアプリケーションでは興味深いが、それでも難しい研究トピックである。 既存の異常検出手法は、ImageNetのような高次元データによる限られた性能を示す。 本稿では,高次元および複雑な正規データを用いた異常検出について検討する。
  論文  参考訳（メタデータ） (2020-11-17T03:53:31Z)
• Self-Attentive Classification-Based Anomaly Detection in Unstructured Logs [59.04636530383049]
  ログ表現を学習するための分類法であるLogsyを提案する。 従来の方法と比較して,F1スコアの平均0.25の改善を示す。
  論文  参考訳（メタデータ） (2020-08-21T07:26:55Z)

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。