論文の概要: OMASGAN: Out-of-Distribution Minimum Anomaly Score GAN for Sample
Generation on the Boundary
- arxiv url: http://arxiv.org/abs/2110.15273v1
- Date: Thu, 28 Oct 2021 16:35:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-29 18:05:38.280035
- Title: OMASGAN: Out-of-Distribution Minimum Anomaly Score GAN for Sample
Generation on the Boundary
- Title（参考訳）: OMASGAN: 境界領域におけるサンプル生成のための最小分布最小スコアGAN
- Authors: Nikolaos Dionelis
- Abstract要約: 生成モデルは, アウト・オブ・ディストリビューション(OoD)サンプルに高い可能性と低い再構成損失を設定した。
OMASGANは、負のデータ増大方法で、推定分布境界上の異常サンプルを生成する。
OMASGANは、分布境界上に発生する異常最小値のOoDサンプルを含むことにより、再訓練を行う。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative models trained in an unsupervised manner may set high likelihood
and low reconstruction loss to Out-of-Distribution (OoD) samples. This
increases Type II errors and leads to missed anomalies, overall decreasing
Anomaly Detection (AD) performance. In addition, AD models underperform due to
the rarity of anomalies. To address these limitations, we propose the OoD
Minimum Anomaly Score GAN (OMASGAN). OMASGAN generates, in a negative data
augmentation manner, anomalous samples on the estimated distribution boundary.
These samples are then used to refine an AD model, leading to more accurate
estimation of the underlying data distribution including multimodal supports
with disconnected modes. OMASGAN performs retraining by including the abnormal
minimum-anomaly-score OoD samples generated on the distribution boundary in a
self-supervised learning manner. For inference, for AD, we devise a
discriminator which is trained with negative and positive samples either
generated (negative or positive) or real (only positive). OMASGAN addresses the
rarity of anomalies by generating strong and adversarial OoD samples on the
distribution boundary using only normal class data, effectively addressing mode
collapse. A key characteristic of our model is that it uses any f-divergence
distribution metric in its variational representation, not requiring
invertibility. OMASGAN does not use feature engineering and makes no
assumptions about the data distribution. The evaluation of OMASGAN on image
data using the leave-one-out methodology shows that it achieves an improvement
of at least 0.24 and 0.07 points in AUROC on average on the MNIST and CIFAR-10
datasets, respectively, over other benchmark and state-of-the-art models for
AD.
- Abstract（参考訳）: 教師なしの方法で訓練された生成モデルは、out-of-distribution (ood) サンプルに対して高い確率と低い再構成損失を設定できる。
これにより、タイプIIエラーが増加し、異常が発生し、全体的なAnomaly Detection (AD)パフォーマンスが低下する。
さらに、ADモデルは異常の出現率によって性能が低下する。
これらの制約に対処するため,OoD Minimum Anomaly Score GAN (OMASGAN)を提案する。
OMASGANは、負のデータ増大方法で、推定分布境界上の異常サンプルを生成する。
これらのサンプルはADモデルを洗練するために使用され、非接続モードのマルチモーダルサポートを含む基礎となるデータ分布をより正確に推定する。
OMASGANは、分布境界上に発生する異常最小値のOoDサンプルを自己教師付き学習方法で含み、再訓練を行う。
推論のために、ADに対して、負のサンプルと正のサンプルを生成(負または正)または実(正のみ)で訓練する判別器を考案する。
OMASGANは, 正規クラスデータのみを用いて分布境界上の強・逆OODサンプルを生成し, モード崩壊に効果的に対処する。
本モデルの重要な特徴は, 可逆性を必要とせず, 変分表現において任意のf-ダイバージェンス分布計量を用いる点である。
OMASGANは機能工学を使わず、データ分散について仮定しない。
画像データに対するOMASGANの評価は,AUROCのMNISTおよびCIFAR-10データセットの平均0.24点と0.07点の改善を,他のベンチマークとADの最先端モデルに対して達成していることを示している。
関連論文リスト
- Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
本報告では,明示的な次元の一般スコアミスマッチ拡散サンプリング器を用いた最初の性能保証について述べる。
その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。
この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
論文 参考訳（メタデータ） (2024-10-17T16:42:12Z) - Leveraging Latent Diffusion Models for Training-Free In-Distribution Data Augmentation for Surface Defect Detection [9.784793380119806]
データ拡張のためのトレーニング不要な拡散型In-Distribution Anomaly GenerationパイプラインであるDIAGを紹介する。
従来の画像生成技術とは異なり、我々は、ドメインの専門家がモデルにマルチモーダルガイダンスを提供する、Human-in-the-loopパイプラインを実装している。
我々は、挑戦的なKSDD2データセットに対する最先端データ拡張アプローチに関して、DIAGの有効性と汎用性を実証する。
論文 参考訳（メタデータ） (2024-07-04T14:28:52Z) - GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。
世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。
本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
論文 参考訳（メタデータ） (2024-06-11T17:27:23Z) - COFT-AD: COntrastive Fine-Tuning for Few-Shot Anomaly Detection [19.946344683965425]
FSADの課題に対処する新しい手法を提案する。
重みをモデル化するために、大規模なソースデータセットで事前トレーニングされたモデルを使用します。
提案手法の有効性を示すために,3つの制御されたADタスクと4つの実世界のADタスクに対して,数発の異常検出を行った。
論文 参考訳（メタデータ） (2024-02-29T09:48:19Z) - Invariant Anomaly Detection under Distribution Shifts: A Causal
Perspective [6.845698872290768]
異常検出(AD、Anomaly Detection)は、異常なサンプルを識別する機械学習タスクである。
分散シフトの制約の下では、トレーニングサンプルとテストサンプルが同じ分布から引き出されるという仮定が崩壊する。
我々は,異常検出モデルのレジリエンスを,異なる種類の分布シフトに高めようとしている。
論文 参考訳（メタデータ） (2023-12-21T23:20:47Z) - Discrete Diffusion Modeling by Estimating the Ratios of the Data Distribution [67.9215891673174]
離散空間に対するスコアマッチングを自然に拡張する新たな損失として,スコアエントロピーを提案する。
標準言語モデリングタスク上で,Score Entropy Discrete Diffusionモデルをテストする。
論文 参考訳（メタデータ） (2023-10-25T17:59:12Z) - MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly
Detection [124.52227588930543]
教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。
不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。
非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。
我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
論文 参考訳（メタデータ） (2023-08-29T13:38:35Z) - Fake It Till You Make It: Near-Distribution Novelty Detection by
Score-Based Generative Models [54.182955830194445]
既存のモデルは、いわゆる"近く分布"設定で失敗するか、劇的な低下に直面します。
本稿では, スコアに基づく生成モデルを用いて, 合成近分布異常データを生成することを提案する。
本手法は,9つのノベルティ検出ベンチマークにおいて,近分布ノベルティ検出を6%改善し,最先端のノベルティ検出を1%から5%パスする。
論文 参考訳（メタデータ） (2022-05-28T02:02:53Z) - UQGAN: A Unified Model for Uncertainty Quantification of Deep
Classifiers trained via Conditional GANs [9.496524884855559]
本稿では,GAN(Generative Adversarial Network)に基づく画像分類におけるディープニューラルネットワークの不確実性の定量化手法を提案する。
GAN の生成した OoD の例で分散データの全体を保護する代わりに,条件付き GAN によって生成されたクラスを別々に保護する。
特に、最先端のGAN学習に基づく分類器のOoD検出とFP検出性能を改善した。
論文 参考訳（メタデータ） (2022-01-31T14:42:35Z) - Tail of Distribution GAN (TailGAN): Generative-
Adversarial-Network-Based Boundary Formation [0.0]
我々は、異常検出のためのGANに基づくテール生成モデル、TailGAN(Tail of Distribution GAN)を作成する。
TailGANを用いて、異常検出にGANを活用し、最大エントロピー正則化を使用する。
我々は,OoD(Out-of-Distribution)データを特定するためにTailGANを評価し,MNIST,CIFAR-10,Bagage X-Ray,OoDデータを用いて評価した。
論文 参考訳（メタデータ） (2021-07-24T17:29:21Z) - 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。