論文の概要: Challenges for Unsupervised Anomaly Detection in Particle Physics
- arxiv url: http://arxiv.org/abs/2110.06948v1
- Date: Wed, 13 Oct 2021 18:00:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-16 12:06:01.878526
- Title: Challenges for Unsupervised Anomaly Detection in Particle Physics
- Title（参考訳）: 粒子物理における教師なし異常検出の課題
- Authors: Katherine Fraser, Samuel Homiller, Rashmish K. Mishra, Bryan Ostdiek,
and Matthew D. Schwartz
- Abstract要約: 異常検出は、特定の事象が特定の背景分布の非特性であるかどうかを決定するためにスコアを設計することに依存する。
スコアを定義する方法の1つは、ある種のデータ(背景)を再構築する機能に依存しているオートエンコーダを使用することである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Anomaly detection relies on designing a score to determine whether a
particular event is uncharacteristic of a given background distribution. One
way to define a score is to use autoencoders, which rely on the ability to
reconstruct certain types of data (background) but not others (signals). In
this paper, we study some challenges associated with variational autoencoders,
such as the dependence on hyperparameters and the metric used, in the context
of anomalous signal (top and $W$) jets in a QCD background. We find that the
hyperparameter choices strongly affect the network performance and that the
optimal parameters for one signal are non-optimal for another. In exploring the
networks, we uncover a connection between the latent space of a variational
autoencoder trained using mean-squared-error and the optimal transport
distances within the dataset. We then show that optimal transport distances to
representative events in the background dataset can be used directly for
anomaly detection, with performance comparable to the autoencoders. Whether
using autoencoders or optimal transport distances for anomaly detection, we
find that the choices that best represent the background are not necessarily
best for signal identification. These challenges with unsupervised anomaly
detection bolster the case for additional exploration of semi-supervised or
alternative approaches.
- Abstract（参考訳）: 異常検出は、特定の事象が特定の背景分布の非特性であるかどうかを決定するためにスコアを設計することに依存する。
スコアを定義する方法の1つは、ある種のデータ(背景)を再構築する機能に依存しているオートエンコーダを使用することである。
本稿では,qcd 背景における異常信号 (top および $w$) ジェットの文脈におけるハイパーパラメータやメトリクスへの依存性など,変分オートエンコーダに関連するいくつかの課題について検討する。
パラメータ選択がネットワーク性能に強く影響し,一方の信号に対する最適パラメータが他方の信号に対して最適でないことが判明した。
ネットワークの探索において、平均二乗誤差を用いて訓練された変分オートエンコーダの潜時空間とデータセット内の最適な輸送距離との間の接続を明らかにする。
次に、バックグラウンドデータセット内の代表イベントへの最適な転送距離を、オートエンコーダに匹敵するパフォーマンスで、異常検出に直接使用できることを示す。
オートエンコーダや最適なトランスポート距離を異常検出に利用しても,背景を最もよく表現する選択が信号識別に最適とは限らない。
教師なし異常検出のこれらの課題は、半教師付きまたは代替的なアプローチのさらなる探索を後押しする。
関連論文リスト
- Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。
本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。
我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文 参考訳（メタデータ） (2024-07-19T13:33:38Z) - Anomalies, Representations, and Self-Supervision [0.0]
本研究では,CMS ADC 2021のイベントレベル異常データを用いて,コントラスト学習を用いた自己教師付き密度ベース異常検出法を開発した。
AnomalyCLRのテクニックはデータ駆動であり、背景データの拡張を使用して、モデルに依存しない方法で非標準モデルイベントを模倣する。
論文 参考訳（メタデータ） (2023-01-11T19:00:00Z) - Two-Stage Deep Anomaly Detection with Heterogeneous Time Series Data [3.43862266155801]
本稿では,工場組立ラインから収集した製造データセットを用いたデータ駆動型異常検出フレームワークを提案する。
ステージIでは,動作周期信号で訓練されたモデルを用いて異常候補を選択し,ステージIIでは候補の中から異常事象を検出する。
我々のフレームワークの特長は、動作サイクル信号がまず異常点を見つけるために利用されるのに対し、センサ信号は異常点を除去するために活用される点である。
論文 参考訳（メタデータ） (2022-02-10T15:32:38Z) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳（メタデータ） (2021-11-30T18:42:42Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - Source-Agnostic Gravitational-Wave Detection with Recurrent Autoencoders [0.0]
本稿では, レーザ干渉計における重力波信号検出問題に対する, ディープリカレントオートエンコーダに基づく異常検出手法の適用について述べる。
ノイズデータに基づいて訓練されたこのアルゴリズムは、特定の種類のソースを標的にすることなく、教師なしの戦略を用いて信号を検出することができる。
論文 参考訳（メタデータ） (2021-07-27T09:56:49Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - Feature Encoding with AutoEncoders for Weakly-supervised Anomaly
Detection [46.76220474310698]
弱教師付き異常検出は、ラベル付きデータと豊富なラベル付きデータから異常検出を学習することを目的としている。
最近の研究は、正常なサンプルと異常なサンプルを特徴空間内の異なる領域に識別的にマッピングしたり、異なる分布に適合させたりすることで、異常検出のためのディープニューラルネットワークを構築している。
本稿では,入力データを,異常検出に使用可能な,より意味のある表現に変換するための新しい手法を提案する。
論文 参考訳（メタデータ） (2021-05-22T16:23:05Z) - ESAD: End-to-end Deep Semi-supervised Anomaly Detection [85.81138474858197]
正規データと異常データの間のKL偏差を計測する新たな目的関数を提案する。
提案手法は,複数のベンチマークデータセットの最先端性能を著しく上回っている。
論文 参考訳（メタデータ） (2020-12-09T08:16:35Z) - Graph Regularized Autoencoder and its Application in Unsupervised
Anomaly Detection [42.86693635734333]
本稿では,最小スパンニングツリー(MST)を用いて局所的な近傍構造を近似し,データ点間の構造保存距離を生成することを提案する。
我々は,20個のベンチマーク異常検出データセットに対して,多種多様な代替手法より優れた新しいグラフ正規化オートエンコーダを開発した。
論文 参考訳（メタデータ） (2020-10-29T21:17:41Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2020-04-15T06:13:33Z)
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。