論文の概要: Unsupervised Anomaly Detection Ensembles using Item Response Theory

• arxiv url: http://arxiv.org/abs/2106.06243v1
• Date: Fri, 11 Jun 2021 08:51:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-14 22:57:16.932976
• Title: Unsupervised Anomaly Detection Ensembles using Item Response Theory
• Title（参考訳）: アイテム応答理論を用いた教師なし異常検出アンサンブル
• Authors: Sevvandi Kandanaarachchi
• Abstract要約: 項目応答理論(IRT)を用いて、教師なしの異常検出アンサンブルを構築する。 IRTの潜伏特性は、潜伏特性が隠れた地上の真実を明らかにするために使用できるため、異常検出に役立ちます。 我々は、IRTアンサンブルの広範なデータリポジトリにおける効果を実証する。
• 参考スコア（独自算出の注目度）: 0.4640835690336652
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Constructing an ensemble from a heterogeneous set of unsupervised anomaly detection methods is challenging because the class labels or the ground truth is unknown. Thus, traditional ensemble techniques that use the response variable or the class labels cannot be used to construct an ensemble for unsupervised anomaly detection. We use Item Response Theory (IRT) -- a class of models used in educational psychometrics to assess student and test question characteristics -- to construct an unsupervised anomaly detection ensemble. IRT's latent trait computation lends itself to anomaly detection because the latent trait can be used to uncover the hidden ground truth. Using a novel IRT mapping to the anomaly detection problem, we construct an ensemble that can downplay noisy, non-discriminatory methods and accentuate sharper methods. We demonstrate the effectiveness of the IRT ensemble on an extensive data repository, by comparing its performance to other ensemble techniques.
• Abstract（参考訳）: クラスラベルや基底真理が不明なため、教師なし異常検出手法の不均一集合からアンサンブルを構築することは困難である。 したがって、応答変数やクラスラベルを使用する従来のアンサンブル技術は、教師なし異常検出のためのアンサンブルを構築するには使用できない。 項目応答理論(irt:item response theory)は、学生の質問特性を評価するために、教育心理測定で用いられるモデルのクラスであり、教師なしの異常検出アンサンブルを構築するために用いられる。 IRTの潜伏特性計算は、潜伏特性が隠れた地面の真実を明らかにするために使用できるため、異常検出に役立ちます。 そこで本研究では,新しいIRTマッピングを異常検出問題に適用し,雑音や非識別手法,シャープな手法を付加できるアンサンブルを構築した。 本稿では,IRTアンサンブルの性能を他のアンサンブル技術と比較することにより,データリポジトリ上でのIRTアンサンブルの有効性を示す。

関連論文リスト

• Enhancing Anomaly Detection via Generating Diversified and Hard-to-distinguish Synthetic Anomalies [7.021105583098609]
  近年のアプローチでは、通常のサンプルから合成異常を生成するためにドメイン固有の変換や摂動を活用することに重点を置いている。 そこで本研究では,条件付き摂動器と判別器を併用したドメインに依存しない新しい手法を提案する。 我々は,最先端のベンチマークよりも提案手法が優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-16T08:15:23Z)
• Ensembled Cold-Diffusion Restorations for Unsupervised Anomaly Detection [7.94529540044472]
  Unsupervised Anomaly Detection (UAD) は、異常のないデータセットから学習した規範的分布と比較したテストサンプル中の異常を識別することを目的としている。 生成モデルに基づくアプローチは、異常のないテスト画像を生成することによって解釈可能性を提供するが、通常、微妙な異常を識別することはできない。 本稿では, 両戦略の強みを組み合わせた新しい手法を提案する。 生成型冷拡散パイプラインは, 合成劣化画像の正常な元の外観に戻すことを目標として訓練される。
  論文  参考訳（メタデータ） (2024-07-09T08:02:46Z)
• Towards a Unified Framework of Clustering-based Anomaly Detection [18.30208347233284]
  非教師付き異常検出(UAD)は、ラベル付き例なしでデータ内の異常パターンを識別する上で重要な役割を果たす。 本稿では, 表現学習, クラスタリング, 異常検出の理論的関係を確立するために, 異常検出のための新しい確率混合モデルを提案する。 我々は,表現学習とクラスタリングの併用力を効果的に活用する,改良された異常スコアを考案した。
  論文  参考訳（メタデータ） (2024-06-01T14:30:12Z)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• On the Universal Adversarial Perturbations for Efficient Data-free Adversarial Detection [55.73320979733527]
  本稿では,UAPに対して正常サンプルと逆サンプルの異なる応答を誘導する,データに依存しない逆検出フレームワークを提案する。 実験結果から,本手法は様々なテキスト分類タスクにおいて,競合検出性能を実現することが示された。
  論文  参考訳（メタデータ） (2023-06-27T02:54:07Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Self-Supervised Predictive Convolutional Attentive Block for Anomaly Detection [97.93062818228015]
  本稿では,再建に基づく機能を,新たな自己監督型予測アーキテクチャビルディングブロックに統合することを提案する。 我々のブロックは、受容領域におけるマスク領域に対する再構成誤差を最小限に抑える損失を備える。 画像やビデオの異常検出のための最先端フレームワークに組み込むことで,ブロックの汎用性を実証する。
  論文  参考訳（メタデータ） (2021-11-17T13:30:31Z)
• Toward Deep Supervised Anomaly Detection: Reinforcement Learning from Partially Labeled Anomaly Data [150.9270911031327]
  本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。 既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。 そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-09-15T03:05:39Z)
• Generalizing Fault Detection Against Domain Shifts Using Stratification-Aware Cross-Validation [4.731408120697983]
  先天異常は重篤な症状よりも軽度の症状を呈する。 これらの異常は、容易に通常の動作条件と誤認することができる。 そこで本研究では,アンサンブル学習手法により,初期異常に対する性能の向上が期待できることを示す。
  論文  参考訳（メタデータ） (2020-08-20T00:03:09Z)
• Using Ensemble Classifiers to Detect Incipient Anomalies [12.947364178385637]
  先天異常は重篤な症状よりも軽度の症状を呈する。 これらの異常は、容易に通常の動作条件と誤認することができる。 そこで本研究では,アンサンブル学習手法により,初期異常に対する性能の向上が期待できることを示す。
  論文  参考訳（メタデータ） (2020-08-20T00:00:39Z)

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。