論文の概要: Autoencoding Under Normalization Constraints

• arxiv url: http://arxiv.org/abs/2105.05735v3
• Date: Thu, 15 Jun 2023 06:30:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-17 04:42:15.989769
• Title: Autoencoding Under Normalization Constraints
• Title（参考訳）: 正規化制約下での自動エンコーディング
• Authors: Sangwoong Yoon, Yung-Kyun Noh, Frank Chongwoo Park
• Abstract要約: オートエンコーダから構築した正規化確率モデルを提案する。 NAEの確率密度はオートエンコーダの再構成誤差を用いて定義される。 本モデルでは, 負のサンプルの再構成を抑えることにより正規化を行う。
• 参考スコア（独自算出の注目度）: 10.944023635889133
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Likelihood is a standard estimate for outlier detection. The specific role of the normalization constraint is to ensure that the out-of-distribution (OOD) regime has a small likelihood when samples are learned using maximum likelihood. Because autoencoders do not possess such a process of normalization, they often fail to recognize outliers even when they are obviously OOD. We propose the Normalized Autoencoder (NAE), a normalized probabilistic model constructed from an autoencoder. The probability density of NAE is defined using the reconstruction error of an autoencoder, which is differently defined in the conventional energy-based model. In our model, normalization is enforced by suppressing the reconstruction of negative samples, significantly improving the outlier detection performance. Our experimental results confirm the efficacy of NAE, both in detecting outliers and in generating in-distribution samples.
• Abstract（参考訳）: Likelihoodは、外れ値検出の標準的な見積もりである。 正規化制約の具体的役割は、最大確率を用いてサンプルが学習された場合、OOD(out-of-distribution)レジームが小さいことを保証することである。 オートエンコーダはそのような正規化のプロセスを持っていないため、明らかにOODである場合でも、しばしば外れ値を認識することができない。 オートエンコーダから構築した正規化確率モデルである正規化オートエンコーダ(NAE)を提案する。 NAEの確率密度は、従来のエネルギーベースモデルとは異なるオートエンコーダの再構成誤差を用いて定義される。 本モデルでは, 負サンプルの再構成を抑制し, 異常検出性能を大幅に向上させることで正規化を強制する。 実験結果より, アウトリア検出と分布内試料生成におけるNAEの有効性が確認された。

関連論文リスト

• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Normality-Calibrated Autoencoder for Unsupervised Anomaly Detection on Data Contamination [4.547161155818913]
  正規度校正オートエンコーダ(NCAE)は、汚染されたデータセットの異常検出性能を高めることができる。 NCAEは、エントロピーの低い潜在空間から高信頼な正規サンプルを逆向きに生成する。
  論文  参考訳（メタデータ） (2021-10-28T00:23:01Z)
• Efficient remedies for outlier detection with variational autoencoders [8.80692072928023]
  深層生成モデルによって計算される類似度は、ラベルなしデータによる外れ値検出の候補メトリックである。 理論的に定位された補正は、VAE推定値による鍵バイアスを容易に改善することを示す。 また,VAEのアンサンブル上で計算される確率の分散により,ロバストな外乱検出が可能となることを示す。
  論文  参考訳（メタデータ） (2021-08-19T16:00:58Z)
• 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)
• VAE Approximation Error: ELBO and Conditional Independence [78.72292013299868]
  本稿では,ELBO目標とエンコーダ確率系列の選択の組み合わせによるVAE近似誤差を解析する。 より深いエンコーダネットワークを考慮すれば,ELBOサブセットを拡大することができず,各エラーを低減できないことを示す。
  論文  参考訳（メタデータ） (2021-02-18T12:54:42Z)
• Anomaly detection through latent space restoration using vector-quantized variational autoencoders [0.8122270502556374]
  本稿では,密度と復元に基づく手法を用いた分散検出手法を提案する。 VQ-VAEモデルは、分類的潜在空間で画像をエンコードすることを学ぶ。 潜在コードの事前分布は、オートリグレッシブ(ar)モデルを使用してモデル化される。
  論文  参考訳（メタデータ） (2020-12-12T09:19:59Z)
• Autoencoding Variational Autoencoder [56.05008520271406]
  我々は,この行動が学習表現に与える影響と,自己整合性の概念を導入することでそれを修正する結果について検討する。 自己整合性アプローチで訓練されたエンコーダは、敵攻撃による入力の摂動に対して頑健な(無神経な)表現につながることを示す。
  論文  参考訳（メタデータ） (2020-12-07T14:16:14Z)
• Addressing Variance Shrinkage in Variational Autoencoders using Quantile Regression [0.0]
  可変変分オートエンコーダ (VAE) は, 医用画像の病変検出などの応用において, 異常検出の一般的なモデルとなっている。 本稿では,分散の縮小や過小評価といったよく知られた問題を避けるための代替手法について述べる。 ガウスの仮定の下で推定された定量値を用いて平均値と分散値を計算し、再構成確率を外乱検出や異常検出の原理的アプローチとして計算する。
  論文  参考訳（メタデータ） (2020-10-18T17:37:39Z)
• SUMO: Unbiased Estimation of Log Marginal Probability for Latent Variable Models [80.22609163316459]
  無限級数のランダム化トランケーションに基づく潜在変数モデルに対して、ログ境界確率の非バイアス推定器とその勾配を導入する。 推定器を用いてトレーニングしたモデルは、同じ平均計算コストに対して、標準的な重要度サンプリングに基づくアプローチよりも優れたテストセット確率を与えることを示す。
  論文  参考訳（メタデータ） (2020-04-01T11:49:30Z)
• 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)

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。