論文の概要: Boosting Anomaly Detection Using Unsupervised Diverse Test-Time Augmentation

• arxiv url: http://arxiv.org/abs/2110.15700v1
• Date: Fri, 29 Oct 2021 11:55:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-01 14:43:07.093858
• Title: Boosting Anomaly Detection Using Unsupervised Diverse Test-Time Augmentation
• Title（参考訳）: 教師なし多変量テスト時間拡張を用いたブースティング異常検出
• Authors: Seffi Cohen, Niv Goldshlager, Lior Rokach, Bracha Shapira
• Abstract要約: 異常検出は、比較的稀に発生する異常事象の同定を含むよく知られたタスクである。 異常検出性能の向上を目的としたTTA法であるTTAD(Test-Time Augmentation for Anomaly Detection)手法を提案する。 実験により,我々のTTA技術を用いた異常検出装置は,評価された全てのデータセットに対して,AUCよりも有意に高い結果を示した。
• 参考スコア（独自算出の注目度）: 16.362056178201453
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection is a well-known task that involves the identification of abnormal events that occur relatively infrequently. Methods for improving anomaly detection performance have been widely studied. However, no studies utilizing test-time augmentation (TTA) for anomaly detection in tabular data have been performed. TTA involves aggregating the predictions of several synthetic versions of a given test sample; TTA produces different points of view for a specific test instance and might decrease its prediction bias. We propose the Test-Time Augmentation for anomaly Detection (TTAD) technique, a TTA-based method aimed at improving anomaly detection performance. TTAD augments a test instance based on its nearest neighbors; various methods, including the k-Means centroid and SMOTE methods, are used to produce the augmentations. Our technique utilizes a Siamese network to learn an advanced distance metric when retrieving a test instance's neighbors. Our experiments show that the anomaly detector that uses our TTA technique achieved significantly higher AUC results on all datasets evaluated.
• Abstract（参考訳）: 異常検出は比較的稀に発生する異常事象の同定を含むよく知られたタスクである。 異常検出性能を向上させる方法が広く研究されている。 しかし, 表データの異常検出にTTA(Test-time Augmentation)を用いた研究は行われていない。 TTAは、与えられたテストサンプルのいくつかの合成バージョンの予測を集約することを含み、TTAは特定のテストインスタンスに対する異なる視点を生成し、予測バイアスを減少させる可能性がある。 異常検出性能の向上を目的としたTTA法であるTTAD(Test-Time Augmentation for Anomaly Detection)手法を提案する。 ttadは最寄りの近傍に基づいてテストインスタンスを増強し、k-means centroid や smote メソッドを含む様々なメソッドが拡張を生成するために使用される。 本手法は,シアムネットワークを用いて,テストインスタンスの近傍を検索する際に,高度距離メトリックを学習する。 実験の結果,tta技術を用いた異常検出装置は,評価された全データセットにおいて有意に高いauc結果を得た。

関連論文リスト

• Self-Supervised Time-Series Anomaly Detection Using Learnable Data Augmentation [37.72735288760648]
  本稿では,学習可能なデータ拡張に基づく時系列異常検出(LATAD)手法を提案する。 LATADは、比較学習を通じて時系列データから識別的特徴を抽出する。 その結果、LATADは最先端の異常検出評価に匹敵する、あるいは改善された性能を示した。
  論文  参考訳（メタデータ） (2024-06-18T04:25:56Z)
• Active Test-Time Adaptation: Theoretical Analyses and An Algorithm [51.84691955495693]
  テスト時間適応(TTA)は、教師なし設定でストリーミングテストデータの分散シフトに対処する。 完全TTA設定内に能動学習を統合する能動テスト時間適応(ATTA)の新たな問題設定を提案する。
  論文  参考訳（メタデータ） (2024-04-07T22:31:34Z)
• Uncertainty-Calibrated Test-Time Model Adaptation without Forgetting [55.17761802332469]
  テスト時間適応(TTA)は、与えられたモデルw.r.t.を任意のテストサンプルに適用することにより、トレーニングデータとテストデータの間の潜在的な分散シフトに取り組むことを目指している。 事前の手法は各テストサンプルに対してバックプロパゲーションを実行するため、多くのアプリケーションに対して許容できない最適化コストがかかる。 本稿では, 有効サンプル選択基準を策定し, 信頼性および非冗長なサンプルを同定する, 効率的なアンチフォッティングテスト時間適応法を提案する。
  論文  参考訳（メタデータ） (2024-03-18T05:49:45Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Diverse Data Augmentation with Diffusions for Effective Test-time Prompt Tuning [73.75282761503581]
  DiffTPTを提案する。DiffTPTは,事前学習した拡散モデルを用いて,多種多様な情報データを生成する。 DiffTPTがゼロショット精度を平均5.13%向上することを示す。
  論文  参考訳（メタデータ） (2023-08-11T09:36:31Z)
• What makes a good data augmentation for few-shot unsupervised image anomaly detection? [40.33586461619278]
  各種データ拡張手法が各種異常検出アルゴリズムに与える影響について検討した。 その結果, 産業用画像異常検出アルゴリズム(IADと推定される)の性能は, 特定のデータ拡張法に大きく影響されないことがわかった。
  論文  参考訳（メタデータ） (2023-04-06T07:05:59Z)
• TBDetector:Transformer-Based Detector for Advanced Persistent Threats with Provenance Graph [17.518551273453888]
  本稿では,ATT攻撃検出のための変圧器を用いた高度な脅威検出手法TBDetectorを提案する。 出現グラフは、豊富な歴史的情報を提供し、歴史的な相関能力に強力な攻撃を与える。 提案手法の有効性を評価するため,5つの公開データセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2023-04-06T03:08:09Z)
• A Comprehensive Survey on Test-Time Adaptation under Distribution Shifts [143.14128737978342]
  新たなパラダイムであるテスト時適応は、事前トレーニングされたモデルをテスト中にラベルのないデータに適用し、予測を行う可能性がある。 このパラダイムの最近の進歩は、推論に先立って自己適応モデルのトレーニングにラベルのないデータを活用するという大きな利点を浮き彫りにしている。
  論文  参考訳（メタデータ） (2023-03-27T16:32:21Z)
• Anomaly Detection with Test Time Augmentation and Consistency Evaluation [13.709281244889691]
  本稿では,TTA-AD(Test Time Augmentation Anomaly Detection)と呼ばれる簡易かつ効果的な異常検出アルゴリズムを提案する。 我々は、分散データよりもトレーニングされたネットワーク上でのオリジナルバージョンと拡張バージョンについて、分散データの方が一貫性のある予測を楽しむことを観察した。 様々な高解像度画像ベンチマークデータセットの実験は、TTA-ADが同等またはより良い検出性能を達成することを示した。
  論文  参考訳（メタデータ） (2022-06-06T04:27:06Z)
• TracInAD: Measuring Influence for Anomaly Detection [0.0]
  本稿では,TracInに基づく異常をフラグする新しい手法を提案する。 本研究では,変分オートエンコーダを用いて,テストポイントにおけるトレーニングポイントのサブサンプルの平均的な影響が,異常のプロキシとして有効であることを示す。
  論文  参考訳（メタデータ） (2022-05-03T08:20:15Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。