論文の概要: Discriminative-Generative Representation Learning for One-Class Anomaly Detection

• arxiv url: http://arxiv.org/abs/2107.12753v1
• Date: Tue, 27 Jul 2021 11:46:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-28 14:39:13.508202
• Title: Discriminative-Generative Representation Learning for One-Class Anomaly Detection
• Title（参考訳）: 1クラス異常検出のための判別生成表現学習
• Authors: Xuan Xia, Xizhou Pan, Xing He, Jingfei Zhang, Ning Ding and Lin Ma
• Abstract要約: 生成法と識別法を組み合わせた自己教師型学習フレームワークを提案する。 提案手法は,複数のベンチマークデータセットにおいて,最先端の処理性能を著しく向上させる。
• 参考スコア（独自算出の注目度）: 22.500931323372303
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As a kind of generative self-supervised learning methods, generative adversarial nets have been widely studied in the field of anomaly detection. However, the representation learning ability of the generator is limited since it pays too much attention to pixel-level details, and generator is difficult to learn abstract semantic representations from label prediction pretext tasks as effective as discriminator. In order to improve the representation learning ability of generator, we propose a self-supervised learning framework combining generative methods and discriminative methods. The generator no longer learns representation by reconstruction error, but the guidance of discriminator, and could benefit from pretext tasks designed for discriminative methods. Our discriminative-generative representation learning method has performance close to discriminative methods and has a great advantage in speed. Our method used in one-class anomaly detection task significantly outperforms several state-of-the-arts on multiple benchmark data sets, increases the performance of the top-performing GAN-based baseline by 6% on CIFAR-10 and 2% on MVTAD.
• Abstract（参考訳）: 生成的自己教師型学習法の一種として, 異常検出の分野では, 生成的逆境ネットが広く研究されている。 しかし、画素レベルの詳細に注意を払いすぎるため、ジェネレータの表現学習能力は限られており、ジェネレータは識別器として効果的であるラベル予測プリテキストタスクから抽象的な意味表現を学ぶのが困難である。 ジェネレータの表現学習能力を向上させるために,生成法と判別法を組み合わせた自己教師付き学習フレームワークを提案する。 ジェネレータはもはや再構成エラーによる表現を学習せず、識別器のガイダンスを学習し、識別方法用に設計されたプリテキストタスクの恩恵を受けることができる。 判別生成表現学習法は,識別法に近い性能を有し,その高速化に大きな利点がある。 CIFAR-10では6%,MVTADでは2%,一級異常検出タスクでは,複数のベンチマークデータセット上で,最先端のGANベースラインの性能が大幅に向上した。

関連論文リスト

• A Probabilistic Model Behind Self-Supervised Learning [53.64989127914936]
  自己教師付き学習(SSL)では、アノテートラベルなしで補助的なタスクを通じて表現が学習される。 自己教師型学習のための生成潜在変数モデルを提案する。 対照的な方法を含む識別的SSLのいくつかのファミリーは、表現に匹敵する分布を誘導することを示した。
  論文  参考訳（メタデータ） (2024-02-02T13:31:17Z)
• Prompt Optimization via Adversarial In-Context Learning [51.18075178593142]
  adv-ICLは、ジェネレータとディスクリミネータの間の2プレイヤーゲームとして実装される。 ジェネレータは、判別器を騙すのに十分な出力を生成する。 本稿では,Adv-ICLが最先端のプロンプト最適化技術を大幅に改善することを示す。
  論文  参考訳（メタデータ） (2023-12-05T09:44:45Z)
• Dynamically Masked Discriminator for Generative Adversarial Networks [71.33631511762782]
  GAN(Generative Adversarial Networks)のトレーニングは依然として難しい問題である。 識別器は、実際の/生成されたデータの分布を学習してジェネレータを訓練する。 本稿では,オンライン連続学習の観点から,GANの新たな手法を提案する。
  論文  参考訳（メタデータ） (2023-06-13T12:07:01Z)
• Learning Common Rationale to Improve Self-Supervised Representation for Fine-Grained Visual Recognition Problems [61.11799513362704]
  我々は、インスタンスやクラスでよく見られる差別的手がかりを識別するための、追加のスクリーニングメカニズムの学習を提案する。 SSL目標から誘導されるGradCAMを単純に利用することで、共通な有理性検出器が学習可能であることを示す。
  論文  参考訳（メタデータ） (2023-03-03T02:07:40Z)
• Multi-Fake Evolutionary Generative Adversarial Networks for Imbalance Hyperspectral Image Classification [7.9067022260826265]
  本稿では,不均衡なハイパースペクトル画像分類を扱うために,新しいマルチフェイク進化生成逆数ネットワークを提案する。 ジェネレータネットワークの分類性能を向上させるため、ジェネレータネットワークでは異なる生成目標損失が考慮される。 提案手法の有効性を2つの超スペクトル空間スペクトルデータセットを用いて検証した。
  論文  参考訳（メタデータ） (2021-11-07T07:29:24Z)
• Hybrid Generative-Contrastive Representation Learning [32.84066504783469]
  コントラストと生成的損失の両方で訓練されたトランスフォーマーベースのエンコーダデコーダアーキテクチャは、生成性能を損なうことなく、高い識別性および堅牢性を持つ表現を学習できることを示す。
  論文  参考訳（メタデータ） (2021-06-11T04:23:48Z)
• Data-Efficient Instance Generation from Instance Discrimination [40.71055888512495]
  本稿では,インスタンス識別に基づくデータ効率の高いインスタンス生成手法を提案する。 本研究では,インスタンス識別に基づくデータ効率の高いインスタンス生成(InsGen)手法を提案する。
  論文  参考訳（メタデータ） (2021-06-08T17:52:59Z)
• Minimax Active Learning [61.729667575374606]
  アクティブラーニングは、人間のアノテーションによってラベル付けされる最も代表的なサンプルをクエリすることによって、ラベル効率の高いアルゴリズムを開発することを目指している。 現在のアクティブラーニング技術は、最も不確実なサンプルを選択するためにモデルの不確実性に頼るか、クラスタリングを使うか、最も多様なラベルのないサンプルを選択するために再構築する。 我々は,不確実性と多様性を両立させる半教師付きミニマックスエントロピーに基づく能動学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-12-18T19:03:40Z)
• Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
  ディープワンクラス分類のための2段階フレームワークを提案する。 まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。 実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-11-04T23:33:41Z)
• Discriminative feature generation for classification of imbalanced data [6.458496335718508]
  マイノリティクラスデータセットを対象とした新しい分類特徴生成法(DFG)を提案する。 DFGは、4つの独立したネットワークからなる生成的敵ネットワークの修正された構造に基づいている。 実験結果から,DFGジェネレータはラベル保存および多彩な特徴の増大を促進することが示された。
  論文  参考訳（メタデータ） (2020-10-24T12:19:05Z)

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。