論文の概要: Anomaly-Injected Deep Support Vector Data Description for Text Outlier Detection

• arxiv url: http://arxiv.org/abs/2110.14729v1
• Date: Wed, 27 Oct 2021 19:29:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-29 14:22:58.306191
• Title: Anomaly-Injected Deep Support Vector Data Description for Text Outlier Detection
• Title（参考訳）: テキストアウトレイラ検出のための異常注入型Deep Support Vectorデータ記述
• Authors: Zeyu You, Yichu Zhou, Tao Yang, Wei Fan
• Abstract要約: 異常検出または異常検出は、様々な領域で一般的なタスクである。 本研究では,AI-SVDD(Deep Anomaly-injected Support vector data description)フレームワークを提案する。 テキスト入力に対処するために、BERTと協調して多層パーセプトロン(MLP)ネットワークを使用し、リッチなテキスト表現を得る。
• 参考スコア（独自算出の注目度）: 6.420355190628236
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection or outlier detection is a common task in various domains, which has attracted significant research efforts in recent years. Existing works mainly focus on structured data such as numerical or categorical data; however, anomaly detection on unstructured textual data is less attended. In this work, we target the textual anomaly detection problem and propose a deep anomaly-injected support vector data description (AI-SVDD) framework. AI-SVDD not only learns a more compact representation of the data hypersphere but also adopts a small number of known anomalies to increase the discriminative power. To tackle text input, we employ a multilayer perceptron (MLP) network in conjunction with BERT to obtain enriched text representations. We conduct experiments on three text anomaly detection applications with multiple datasets. Experimental results show that the proposed AI-SVDD is promising and outperforms existing works.
• Abstract（参考訳）: 異常検出や異常検出は様々な領域で一般的な課題であり、近年は大きな研究努力が続けられている。 既存の研究は主に数値データやカテゴリデータなどの構造化データに焦点を当てているが、非構造化テキストデータに対する異常検出は少ない。 本研究では,テキスト異常検出問題を対象として,深層異常注入支援ベクトルデータ記述(AI-SVDD)フレームワークを提案する。 ai-svddはデータの超球面のよりコンパクトな表現を学ぶだけでなく、少数の既知の異常を利用して識別能力を高める。 テキスト入力に対処するために、BERTと協調して多層パーセプトロン(MLP)ネットワークを使用し、リッチなテキスト表現を得る。 複数のデータセットを用いた3つのテキスト異常検出アプリケーションの実験を行った。 実験の結果,提案したAI-SVDDは既存の成果よりも有望であり,優れていた。

関連論文リスト

• ADer: A Comprehensive Benchmark for Multi-class Visual Anomaly Detection [52.228708947607636]
  本稿では,新しい異常検出手法のモジュラーフレームワークであるtextbftextitADerを提案する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• 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)
• Spotting AI's Touch: Identifying LLM-Paraphrased Spans in Text [61.22649031769564]
  我々は、新しいフレームワーク、パラフレーズテキストスパン検出(PTD)を提案する。 PTDは、テキスト内でパラフレーズ付きテキストを識別することを目的としている。 パラフレーズ付きテキストスパン検出のための専用データセットであるPASTEDを構築した。
  論文  参考訳（メタデータ） (2024-05-21T11:22:27Z)
• Multi-Class Deep SVDD: Anomaly Detection Approach in Astronomy with Distinct Inlier Categories [46.34797489552547]
  我々は,異なるデータ分布を持つ複数の不整合カテゴリを扱うために,MCDSVDD(Multi-class Deep Support Vector Data Description)を提案する。 MCDSVDDはニューラルネットワークを使用してデータをハイパースフィアにマッピングする。 以上の結果から, 異常源の検出にMDCSVDDが有効であることが示唆された。
  論文  参考訳（メタデータ） (2023-08-09T15:10:53Z)
• On the Possibilities of AI-Generated Text Detection [76.55825911221434]
  機械が生成するテキストが人間に近い品質を近似するにつれて、検出に必要なサンプルサイズが増大すると主張している。 GPT-2, GPT-3.5-Turbo, Llama, Llama-2-13B-Chat-HF, Llama-2-70B-Chat-HFなどの最先端テキストジェネレータをoBERTa-Large/Base-Detector, GPTZeroなどの検出器に対して試験した。
  論文  参考訳（メタデータ） (2023-04-10T17:47:39Z)
• Fine-grained Anomaly Detection in Sequential Data via Counterfactual Explanations [19.836395281552626]
  本稿では, CFDetと呼ばれる, きめ細かい入力検出のための新しいフレームワークを提案する。 異常として検出されるシーケンスを考慮すれば、異常なエントリ検出を解釈可能な機械学習タスクとみなすことができる。 本稿では, 深層支援ベクトルデータ記述法(Deep SVDD)を用いて異常なシーケンスを検出する。
  論文  参考訳（メタデータ） (2022-10-09T02:38:11Z)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• Deep Anomaly Detection and Search via Reinforcement Learning [22.005663849044772]
  本研究では,エクスプロイトと探索のバランスをとるために,DADS(Deep Anomaly Detection and Search)を提案する。 トレーニングプロセス中、DADSは階層的なデータセットを持つ可能性のある異常を検索する。 その結果,DADSはラベルのないデータから異常を効率よく正確に検索し,そこから学習できることがわかった。
  論文  参考訳（メタデータ） (2022-08-31T13:03:33Z)
• DASVDD: Deep Autoencoding Support Vector Data Descriptor for Anomaly Detection [9.19194451963411]
  半教師付き異常検出は、通常のデータに基づいて訓練されたモデルを用いて、通常のサンプルから異常を検出することを目的としている。 本稿では,自己エンコーダのパラメータを協調的に学習する手法であるDASVDDを提案する。
  論文  参考訳（メタデータ） (2021-06-09T21:57:41Z)
• 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)

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。