論文の概要: Self-Trained One-class Classification for Unsupervised Anomaly Detection

• arxiv url: http://arxiv.org/abs/2106.06115v1
• Date: Fri, 11 Jun 2021 01:36:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-15 04:43:09.955679
• Title: Self-Trained One-class Classification for Unsupervised Anomaly Detection
• Title（参考訳）: 教師なし異常検出のための自己訓練型一クラス分類
• Authors: Jinsung Yoon, Kihyuk Sohn, Chun-Liang Li, Sercan O. Arik, Chen-Yu Lee, Tomas Pfister
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 56.35424872736276
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection (AD), separating anomalies from normal data, has various applications across domains, from manufacturing to healthcare. While most previous works have shown to be effective for cases with fully or partially labeled data, they are less practical for AD applications due to tedious data labeling processes. In this work, we focus on unsupervised AD problems whose entire training data are unlabeled and may contain both normal and anomalous samples. To tackle this problem, we build a robust one-class classification framework via data refinement. To refine the data accurately, we propose an ensemble of one-class classifiers, each of which is trained on a disjoint subset of training data. Moreover, we propose a self-training of deep representation one-class classifiers (STOC) that iteratively refines the data and deep representations. In experiments, we show the efficacy of our method for unsupervised anomaly detection on benchmarks from image and tabular data domains. For example, with a 10% anomaly ratio on CIFAR-10 data, the proposed method outperforms state-of-the-art one-class classification method by 6.3 AUC and 12.5 average precision.
• Abstract（参考訳）: 異常検出(AD)は、通常のデータから異常を分離するものであり、製造から医療まで様々な分野に応用されている。 以前のほとんどの作品は、完全にあるいは部分的にラベル付けされたデータの場合に有効であることが示されているが、退屈なデータラベリングプロセスのため、広告アプリケーションにはあまり実用的ではない。 本研究では,トレーニングデータ全体がラベルなしであり,正常なサンプルと異常なサンプルの両方を含む非教師なし広告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。 データを精度良く洗練するために,学習データの非結合部分集合に基づいて訓練された一級分類器のアンサンブルを提案する。 さらに,データと深層表現を反復的に洗練する,深層表現型分類器(stoc)の自己学習を提案する。 実験では,画像領域と表データ領域のベンチマークにおける教師なし異常検出法の有効性を示す。 例えば、CIFAR-10データに対する10%の異常比で、提案手法は最先端の1クラス分類法を6.3AUCと12.5平均精度で上回る。

関連論文リスト

• Active anomaly detection based on deep one-class classification [9.904380236739398]
  我々は,Deep SVDDにおけるアクティブラーニングの2つの重要な課題,すなわちクエリ戦略と半教師付きラーニング手法に対処する。 まず、単に異常を識別するのではなく、適応境界に従って不確実なサンプルを選択する。 第2に、ラベル付き正規データと異常データの両方を効果的に組み込むために、一級分類モデルの訓練にノイズコントラスト推定を適用した。
  論文  参考訳（メタデータ） (2023-09-18T03:56:45Z)
• A Generic Machine Learning Framework for Fully-Unsupervised Anomaly Detection with Contaminated Data [0.0]
  本稿では,ADタスクに対する汚染されたトレーニングデータの完全教師なし改善のためのフレームワークを提案する。 このフレームワークは汎用的であり、任意の残差ベースの機械学習モデルに適用することができる。 本研究は, 改質を伴わない汚染データを用いた学習において, ナイーブなアプローチよりも明らかに優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-25T12:47:59Z)
• Anomaly Detection with Score Distribution Discrimination [4.468952886990851]
  本稿では,スコア分布の観点から,異常スコア関数の最適化を提案する。 正常試料と異常試料のスコア分布の重なりを最小化するオーバーラップ損失と呼ばれる新しい損失関数を設計する。
  論文  参考訳（メタデータ） (2023-06-26T03:32:57Z)
• Zero-Shot Anomaly Detection via Batch Normalization [58.291409630995744]
  多くの安全クリティカルなアプリケーションドメインでは、異常検出が重要な役割を果たす。 異常検出器を正常なデータ分布でドリフトに適応させることの課題は、ゼロショットAD技術の開発に繋がった。 ゼロショットバッチレベルのADに対して,適応中心表現(Adaptive Centered Representation, ACR)と呼ばれるシンプルで効果的な手法を提案する。
  論文  参考訳（メタデータ） (2023-02-15T18:34:15Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• 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)
• My Health Sensor, my Classifier: Adapting a Trained Classifier to Unlabeled End-User Data [0.5091527753265949]
  本研究では,ラベル付きソースデータが直接利用できないような制約を伴って,教師なしドメイン適応(DA)のアプローチを提案する。 我々のソリューションは、分類器の信念に基づいて、ターゲットデータ分布の信頼性の高いサブリージョンのみを反復的にラベル付けする。 本研究の目的は,患者のニーズに応じて睡眠時無呼吸を検知し,パーソナライズを実現するためのアプローチをDAに適用することである。
  論文  参考訳（メタデータ） (2020-09-22T20:27:35Z)
• Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive Person Re-Identification [64.37745443119942]
  本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。 3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2020-07-21T14:31:27Z)
• Clustering and Classification with Non-Existence Attributes: A Sentenced Discrepancy Measure Based Technique [0.0]
  クラスタリングアプローチは、計算や限界化といった技術による事前処理がなければ、そのようなデータに直接適用することはできない。 我々は、AWPD(Attribute Weighted Penalty Based Discrepancy)と呼ばれるセンテンシブ・ディフレナンシ・尺度を用いて、この欠点を克服した。 本手法は,非存在属性を持つデータセットに本手法を直接適用し,非存在属性を最適精度と最小コストで検出する手法を確立する。
  論文  参考訳（メタデータ） (2020-02-24T17:56:06Z)
• Learning with Out-of-Distribution Data for Audio Classification [60.48251022280506]
  我々は,OODインスタンスを破棄するよりも,特定のOODインスタンスを検出・復号化することで,学習に肯定的な影響を及ぼすことを示す。 提案手法は,畳み込みニューラルネットワークの性能を著しく向上させる。
  論文  参考訳（メタデータ） (2020-02-11T21:08:06Z)

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。