論文の概要: Supervised Anomaly Detection via Conditional Generative Adversarial
Network and Ensemble Active Learning
- arxiv url: http://arxiv.org/abs/2104.11952v1
- Date: Sat, 24 Apr 2021 13:47:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-27 14:29:55.105151
- Title: Supervised Anomaly Detection via Conditional Generative Adversarial
Network and Ensemble Active Learning
- Title（参考訳）: 条件付き生成型adversarial networkとアンサンブルアクティブラーニングによる教師付き異常検出
- Authors: Zhi Chen, Jiang Duan, Li Kang and Guoping Qiu
- Abstract要約: 異常検出はマシンインテリジェンスに広く応用されているが、未解決の問題である。
従来の教師なし異常検出器は最適以下であり、教師付きモデルはバイアス予測を容易に行うことができる。
Ensemble Active Learning Generative Adversarial Network (EAL-GAN) の導入により,新たな教師付き異常検知器を提案する。
- 参考スコア（独自算出の注目度）: 24.112455929818484
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomaly detection has wide applications in machine intelligence but is still
a difficult unsolved problem. Major challenges include the rarity of labeled
anomalies and it is a class highly imbalanced problem. Traditional unsupervised
anomaly detectors are suboptimal while supervised models can easily make biased
predictions towards normal data. In this paper, we present a new supervised
anomaly detector through introducing the novel Ensemble Active Learning
Generative Adversarial Network (EAL-GAN). EAL-GAN is a conditional GAN having a
unique one generator vs. multiple discriminators architecture where anomaly
detection is implemented by an auxiliary classifier of the discriminator. In
addition to using the conditional GAN to generate class balanced supplementary
training data, an innovative ensemble learning loss function ensuring each
discriminator makes up for the deficiencies of the others is designed to
overcome the class imbalanced problem, and an active learning algorithm is
introduced to significantly reduce the cost of labeling real-world data. We
present extensive experimental results to demonstrate that the new anomaly
detector consistently outperforms a variety of SOTA methods by significant
margins. The codes are available on Github.
- Abstract（参考訳）: 異常検出はマシンインテリジェンスに広く応用されているが、未解決の問題である。
主な課題はラベル付き異常の希少性であり、非常に不均衡な問題である。
従来の教師なし異常検出器は最適であるが、教師なしモデルは通常のデータに偏りのある予測をすることができる。
本稿では,EAL-GAN(Ensemble Active Learning Generative Adversarial Network)を導入し,新しい教師付き異常検出手法を提案する。
EAL-GANは、識別器の補助分類器によって異常検出を行う複数の識別器アーキテクチャに対して、ユニークな1つのジェネレータを持つ条件付きGANである。
条件付きGANを用いてクラスバランス付補足訓練データを生成することに加え、各識別器が他者の欠陥を補うことを保証した革新的なアンサンブル学習損失関数を設計し、実世界のデータのラベル付けコストを大幅に削減するアクティブ学習アルゴリズムを導入する。
我々は,新しい異常検出器が様々なSOTA法を有意なマージンで一貫した性能を発揮することを示すため,広範囲な実験結果を示した。
コードはgithubから入手できる。
関連論文リスト
- Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [88.34095233600719]
FAPromptは、より正確なZSADのためにきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。
画像レベルおよび画素レベルのZSADタスクにおいて、最先端の手法を少なくとも3%-5%のAUC/APで大幅に上回っている。
論文 参考訳（メタデータ） (2024-10-14T08:41:31Z) - Open-Vocabulary Video Anomaly Detection [57.552523669351636]
監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。
近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。
本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
論文 参考訳（メタデータ） (2023-11-13T02:54:17Z) - RoSAS: Deep Semi-Supervised Anomaly Detection with
Contamination-Resilient Continuous Supervision [21.393509817509464]
本稿では, テクスト汚染耐性連続監視信号を考案した, 半教師付き異常検出手法を提案する。
当社のアプローチは、AUC-PRにおいて最先端の競合他社を20%-30%上回っている。
論文 参考訳（メタデータ） (2023-07-25T04:04:49Z) - Spot The Odd One Out: Regularized Complete Cycle Consistent Anomaly Detector GAN [4.5123329001179275]
本研究では,GAN(Generative Adversarial Neural Network)のパワーを活用した,現実の応用における異常検出のための逆方向検出手法を提案する。
従来の手法は、あらゆる種類の異常に適用できないような、クラス単位での精度のばらつきに悩まされていた。
RCALADという手法は,この構造に新たな識別器を導入し,より効率的な学習プロセスを実現することで,この問題を解決しようとするものである。
論文 参考訳（メタデータ） (2023-04-16T13:05:39Z) - 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) - Enhancing Unsupervised Anomaly Detection with Score-Guided Network [13.127091975959358]
異常検出は、医療や金融システムなど、さまざまな現実世界のアプリケーションにおいて重要な役割を担っている。
正規データと異常データの間の異常スコアの差を学習・拡大するために,スコア誘導正規化を用いた新しいスコアネットワークを提案する。
次に,スコア誘導型オートエンコーダ(SG-AE)を提案する。
論文 参考訳（メタデータ） (2021-09-10T06:14:53Z) - 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) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2020-03-24T08:26:58Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳（メタデータ） (2020-03-11T00:22:50Z) - Anomaly Detection by One Class Latent Regularized Networks [36.67420338535258]
近年,GANに基づく半教師付きジェネレーティブ・アドバイザリアル・ネットワーク(GAN)手法が,異常検出タスクで人気を集めている。
遅延特徴空間でトレーニングデータの基盤となる構造を捕捉する新しい対角デュアルオートエンコーダネットワークを提案する。
実験の結果,MNISTおよびCIFAR10データセットおよびGTSRB停止信号データセットの最先端結果が得られた。
論文 参考訳（メタデータ） (2020-02-05T02:21:52Z)
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。