論文の概要: New Methods and Datasets for Group Anomaly Detection From Fundamental Physics

• arxiv url: http://arxiv.org/abs/2107.02821v1
• Date: Tue, 6 Jul 2021 18:00:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-08 14:11:24.702140
• Title: New Methods and Datasets for Group Anomaly Detection From Fundamental Physics
• Title（参考訳）: 基礎物理学からの集団異常検出のための新しい手法とデータセット
• Authors: Gregor Kasieczka, Benjamin Nachman, David Shih
• Abstract要約: 教師なしのグループ異常検出は、基礎物理学の新たなフロンティアとなっている。 グループ異常検出アルゴリズムの開発のために,現実的な合成ベンチマークデータセット(LHCO 2020)を提案する。
• 参考スコア（独自算出の注目度）: 0.4297070083645048
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The identification of anomalous overdensities in data - group or collective anomaly detection - is a rich problem with a large number of real world applications. However, it has received relatively little attention in the broader ML community, as compared to point anomalies or other types of single instance outliers. One reason for this is the lack of powerful benchmark datasets. In this paper, we first explain how, after the Nobel-prize winning discovery of the Higgs boson, unsupervised group anomaly detection has become a new frontier of fundamental physics (where the motivation is to find new particles and forces). Then we propose a realistic synthetic benchmark dataset (LHCO2020) for the development of group anomaly detection algorithms. Finally, we compare several existing statistically-sound techniques for unsupervised group anomaly detection, and demonstrate their performance on the LHCO2020 dataset.
• Abstract（参考訳）: グループや集合的異常検出など、データ内の異常過剰度を識別することは、多数の実世界の応用において豊富な問題である。 しかし、より広範なMLコミュニティでは、ポイント異常やその他のタイプの単一インスタンスの異常値と比較して、あまり注目されていない。 この理由のひとつは、強力なベンチマークデータセットがないことだ。 本稿では, ノーベル賞を受賞したヒッグス粒子の発見後, 教師なし群異常検出が基礎物理学の新たなフロンティア(新たな粒子と力の発見が動機である)となったことを最初に説明した。 次に,グループ異常検出アルゴリズムの開発のために,現実的な合成ベンチマークデータセット(lhco2020)を提案する。 最後に,教師なし群異常検出のための既存の統計学的手法をいくつか比較し,lhco2020データセット上での性能を示す。

関連論文リスト

• ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
  ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。 各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
  論文  参考訳（メタデータ） (2024-05-27T02:42:33Z)
• SAD: Semi-Supervised Anomaly Detection on Dynamic Graphs [11.819993729810257]
  異常検出は、良性例の大多数と大きく異なる異常例を区別することを目的としている。 グラフニューラルネットワークは、異常検出問題に取り組むことで、ますます人気が高まっている。 動的グラフ上での異常検出のためのエンドツーエンドフレームワークである半教師付き異常検出(SAD)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T01:05:34Z)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• gen2Out: Detecting and Ranking Generalized Anomalies [18.235699698922566]
  我々は2次元の異常検出を初めて一般化した。 gen2Outは不審な順序で検出するだけでなく、ランク、異常も検出する。 実世界のてんかん性記録(200GB)の実験はgen2Outの有効性を示した。
  論文  参考訳（メタデータ） (2021-09-06T19:29:08Z)
• 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)
• 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)
• Anomaly detection using principles of human perception [0.0]
  簡易かつリアルタイムかつパラメータフリーな教師なし異常検出アルゴリズムを開発した。 考えは、異常は、データの大半によって行われた特定のグループに関して予期しない観察であると仮定することです。
  論文  参考訳（メタデータ） (2021-03-23T05:46:27Z)
• 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)
• 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)
• How to find a unicorn: a novel model-free, unsupervised anomaly detection method for time series [0.0]
  ユニコーン(unicorn)またはユニークなイベントと呼ばれる新しい異常の概念を導入し、ユニコーンを検出するためのモデルなしの教師なし検出アルゴリズムを提案する。 本アルゴリズムの性能は,異常を伴う様々な種類のシミュレーションデータセット上でのユニークな事象の認識において検証された。
  論文  参考訳（メタデータ） (2020-04-23T21:38:38Z)
• Deep Weakly-supervised Anomaly Detection [118.55172352231381]
  ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。 PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。 12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
  論文  参考訳（メタデータ） (2019-10-30T00:40:25Z)

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。