論文の概要: Latent-Insensitive Autoencoders for Anomaly Detection and
Class-Incremental Learning
- arxiv url: http://arxiv.org/abs/2110.13101v1
- Date: Mon, 25 Oct 2021 16:53:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-26 15:17:07.410322
- Title: Latent-Insensitive Autoencoders for Anomaly Detection and
Class-Incremental Learning
- Title（参考訳）: 異常検出とクラスインクリメンタル学習のための潜在非感性オートエンコーダ
- Authors: Muhammad S. Battikh, Artem A. Lenskiy
- Abstract要約: 我々は、類似ドメインからのラベルなしデータを負の例として用いて、正規のオートエンコーダの潜伏層(ブートネック)を形成するLatent-Insensitive Autoencoder (LIS-AE)を紹介した。
本稿では,クラス毎に異なる潜在層を追加して,クラス増分学習を複数の異常検出タスクとして扱うとともに,クラス増分学習を負の例として,各潜在層を形作る。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reconstruction-based approaches to anomaly detection tend to fall short when
applied to complex datasets with target classes that possess high inter-class
variance. Similar to the idea of self-taught learning used in transfer
learning, many domains are rich with \textit{similar} unlabeled datasets that
could be leveraged as a proxy for out-of-distribution samples. In this paper we
introduce Latent-Insensitive Autoencoder (LIS-AE) where unlabeled data from a
similar domain is utilized as negative examples to shape the latent layer
(bottleneck) of a regular autoencoder such that it is only capable of
reconstructing one task. Since the underlying goal of LIS-AE is to only
reconstruct in-distribution samples, this makes it naturally applicable in the
domain of class-incremental learning. We treat class-incremental learning as
multiple anomaly detection tasks by adding a different latent layer for each
class and use other available classes in task as negative examples to shape
each latent layer. We test our model in multiple anomaly detection and
class-incremental settings presenting quantitative and qualitative analysis
showcasing the accuracy and the flexibility of our model for both anomaly
detection and class-incremental learning.
- Abstract（参考訳）: リコンストラクションに基づくアノマリー検出のアプローチは、高いクラス間分散を持つターゲットクラスを持つ複雑なデータセットに適用されると不足する傾向がある。
転送学習で使われる自己学習の考え方と同様に、多くのドメインは、分散サンプルのプロキシとして活用できる、ラベル付きデータセット \textit{ similar} に富んでいる。
本稿では、類似ドメインからのラベルなしデータを負の例として用いて、通常のオートエンコーダの潜在層(ブートネック)を1つのタスクしか再構築できないように形成するLatent-Insensitive Autoencoder(LIS-AE)を提案する。
LIS-AEの基本的な目標は、流通中のサンプルを再構築することであり、これはクラス増分学習の領域に自然に適用できる。
本稿では,クラス毎に異なる潜在層を追加して,クラス増分学習を複数の異常検出タスクとして扱うとともに,クラス増分学習を負の例として,各潜在層を形作る。
我々は,複数の異常検出とクラス増分設定において,異常検出とクラス増分学習の両面において,モデルの精度と柔軟性を示す定量的・質的な分析を行った。
関連論文リスト
- Toward Multi-class Anomaly Detection: Exploring Class-aware Unified Model against Inter-class Interference [67.36605226797887]
統一型異常検出(MINT-AD)のためのマルチクラスインプリシトニューラル表現変換器を提案する。
マルチクラス分布を学習することにより、モデルが変換器デコーダのクラス対応クエリ埋め込みを生成する。
MINT-ADは、カテゴリと位置情報を特徴埋め込み空間に投影することができ、さらに分類と事前確率損失関数によって監督される。
論文 参考訳（メタデータ） (2024-03-21T08:08:31Z) - mixed attention auto encoder for multi-class industrial anomaly
detection [2.8519768339207356]
単一モデルを用いたマルチクラス異常検出を実現するために,MAAE (Mixed-attention Auto Encoder) を提案する。
異なるカテゴリーの分布パターンの多様さによる性能劣化を軽減するために,空間的注意とチャネル的注意を用いた。
MAAEは、最先端の手法と比較して、ベンチマークデータセットで顕著なパフォーマンスを提供する。
論文 参考訳（メタデータ） (2023-09-22T08:17:48Z) - Generalization Bounds for Few-Shot Transfer Learning with Pretrained
Classifiers [26.844410679685424]
本研究では,新しいクラスに移動可能な分類の表現を基礎モデルで学習する能力について検討する。
クラス-機能-変数の崩壊の場合,新しいクラスで学習した特徴マップのわずかな誤差が小さいことを示す。
論文 参考訳（メタデータ） (2022-12-23T18:46:05Z) - Intra-class Adaptive Augmentation with Neighbor Correction for Deep
Metric Learning [99.14132861655223]
深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。
クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。
本手法は,検索性能の最先端手法を3%～6%向上させる。
論文 参考訳（メタデータ） (2022-11-29T14:52:38Z) - Evolving Multi-Label Fuzzy Classifier [5.53329677986653]
マルチラベル分類は、同時に複数のクラスに1つのサンプルを割り当てるという問題に対処するために、機械学習コミュニティで多くの注目を集めている。
本稿では,新たなマルチラベルサンプルをインクリメンタルかつシングルパスで自己適応・自己展開可能な多ラベルファジィ分類器(EFC-ML)を提案する。
論文 参考訳（メタデータ） (2022-03-29T08:01:03Z) - Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。
本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。
実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
論文 参考訳（メタデータ） (2021-07-07T11:43:59Z) - Zero-sample surface defect detection and classification based on
semantic feedback neural network [13.796631421521765]
本論文では,複数角度からの画像タグ埋め込みにおける予測誤差を適応的に低減するアンサンブル協調学習アルゴリズムを提案する。
産業分野におけるゼロショットデータセットとシリンダーライナーデータセットを用いた各種実験により,競争結果が得られた。
論文 参考訳（メタデータ） (2021-06-15T08:26:36Z) - Meta-learning One-class Classifiers with Eigenvalue Solvers for
Supervised Anomaly Detection [55.888835686183995]
教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。
提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
論文 参考訳（メタデータ） (2021-03-01T01:43:04Z) - Understanding Classifier Mistakes with Generative Models [88.20470690631372]
ディープニューラルネットワークは教師付き学習タスクに有効であるが、脆弱であることが示されている。
本稿では、生成モデルを利用して、分類器が一般化に失敗するインスタンスを特定し、特徴付ける。
我々のアプローチは、トレーニングセットのクラスラベルに依存しないため、半教師付きでトレーニングされたモデルに適用できる。
論文 参考訳（メタデータ） (2020-10-05T22:13:21Z) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2020-03-24T08:26:58Z)
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。