論文の概要: Latent Vector Expansion using Autoencoder for Anomaly Detection
- arxiv url: http://arxiv.org/abs/2201.01416v1
- Date: Wed, 5 Jan 2022 02:28:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-06 13:45:15.901566
- Title: Latent Vector Expansion using Autoencoder for Anomaly Detection
- Title（参考訳）: オートエンコーダを用いた遅延ベクトル拡張による異常検出
- Authors: UJu Gim, YeongHyeon Park
- Abstract要約: オートエンコーダの特徴を利用して,低次元から高次元の潜在ベクトルを訓練する。
不均衡なデータの分類性能を向上させる潜在ベクトル展開オートエンコーダモデルを提案する。
- 参考スコア（独自算出の注目度）: 1.370633147306388
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning methods can classify various unstructured data such as images,
language, and voice as input data. As the task of classifying anomalies becomes
more important in the real world, various methods exist for classifying using
deep learning with data collected in the real world. As the task of classifying
anomalies becomes more important in the real world, there are various methods
for classifying using deep learning with data collected in the real world.
Among the various methods, the representative approach is a method of
extracting and learning the main features based on a transition model from
pre-trained models, and a method of learning an autoencoderbased structure only
with normal data and classifying it as abnormal through a threshold value.
However, if the dataset is imbalanced, even the state-of-the-arts models do not
achieve good performance. This can be addressed by augmenting normal and
abnormal features in imbalanced data as features with strong distinction. We
use the features of the autoencoder to train latent vectors from low to high
dimensionality. We train normal and abnormal data as a feature that has a
strong distinction among the features of imbalanced data. We propose a latent
vector expansion autoencoder model that improves classification performance at
imbalanced data. The proposed method shows performance improvement compared to
the basic autoencoder using imbalanced anomaly dataset.
- Abstract（参考訳）: ディープラーニング手法は、画像、言語、音声などの様々な非構造化データを入力データとして分類することができる。
実世界では,異常の分類が重要になるにつれて,実世界で収集されたデータを用いた深層学習の分類方法が数多く存在する。
実世界では,異常の分類が重要になるにつれて,実世界で収集されたデータを用いて深層学習を用いて分類する方法は様々である。
各種手法のうち,本手法は,事前学習したモデルから遷移モデルに基づいて主特徴を抽出・学習する方法であり,正規データのみを用いてオートエンコーダ構造を学習し,しきい値を通じて異常に分類する方法である。
しかし、データセットが不均衡であれば、最先端のモデルでさえ性能が良くない。
これは、バランスのとれないデータの正常な特徴と異常な特徴を、強い区別を持つ特徴として増やすことで対処できる。
低次元から高次元の潜在ベクトルを訓練するためにオートエンコーダの特徴を用いる。
不均衡なデータの特徴を強く区別する特徴として,正常なデータと異常なデータを訓練する。
不均衡なデータの分類性能を向上させる潜在ベクトル展開オートエンコーダモデルを提案する。
提案手法は,不均衡なデータセットを用いた基本オートエンコーダと比較して性能改善を示す。
関連論文リスト
- Approaching Metaheuristic Deep Learning Combos for Automated Data Mining [0.5419570023862531]
本研究では,メタヒューリスティック手法を従来の分類器やニューラルネットワークと組み合わせて自動データマイニングを行う手法を提案する。
手書き文字認識のためのMNISTデータセットの実験を行った。
根拠真理ラベル付きデータセットの検証精度は、これまで見つからなかった他のデータインスタンスのラベルを修正するのに不十分である、という実証的な観察がなされた。
論文 参考訳（メタデータ） (2024-10-16T10:28:22Z) - Anomalous Sound Detection Using a Binary Classification Model and Class
Centroids [47.856367556856554]
本稿では, 正規データだけでなく, 他領域の外部データも擬似アノマラス音響データとして用いた二分分類モデルを提案する。
また,2値分類モデルをさらに改善するために,異常音データの追加の有効性についても検討した。
論文 参考訳（メタデータ） (2021-06-11T03:35:06Z) - Rank-R FNN: A Tensor-Based Learning Model for High-Order Data
Classification [69.26747803963907]
Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。
まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。
Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
論文 参考訳（メタデータ） (2021-04-11T16:37:32Z) - 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) - Distilling Interpretable Models into Human-Readable Code [71.11328360614479]
人間可読性は機械学習モデル解釈可能性にとって重要で望ましい標準である。
従来の方法を用いて解釈可能なモデルを訓練し,それを簡潔で可読なコードに抽出する。
本稿では,幅広いユースケースで効率的に,確実に高品質な結果を生成する分別線形曲線フィッティングアルゴリズムについて述べる。
論文 参考訳（メタデータ） (2021-01-21T01:46:36Z) - Learning from Incomplete Features by Simultaneous Training of Neural
Networks and Sparse Coding [24.3769047873156]
本稿では,不完全な特徴を持つデータセット上で分類器を訓練する問題に対処する。
私たちは、各データインスタンスで異なる機能のサブセット(ランダムまたは構造化)が利用できると仮定します。
新しい教師付き学習法が開発され、サンプルあたりの機能のサブセットのみを使用して、一般的な分類器を訓練する。
論文 参考訳（メタデータ） (2020-11-28T02:20:39Z) - Category-Learning with Context-Augmented Autoencoder [63.05016513788047]
実世界のデータの解釈可能な非冗長表現を見つけることは、機械学習の鍵となる問題の一つである。
本稿では,オートエンコーダのトレーニングにデータ拡張を利用する新しい手法を提案する。
このような方法で変分オートエンコーダを訓練し、補助ネットワークによって変換結果を予測できるようにする。
論文 参考訳（メタデータ） (2020-10-10T14:04:44Z) - Initial Classifier Weights Replay for Memoryless Class Incremental
Learning [11.230170401360633]
インクリメンタルラーニング(IL)は、人工システムがデータのストリームを扱う必要があり、常にすべてのデータにアクセスできない場合に有用である。
バニラ微調整バックボーンに基づく別のアプローチを提案する。
我々は、メモリレスインクリメンタルな学習環境で、4つの公開データセットで徹底的な評価を行う。
論文 参考訳（メタデータ） (2020-08-31T16:18:12Z) - Self-Attentive Classification-Based Anomaly Detection in Unstructured
Logs [59.04636530383049]
ログ表現を学習するための分類法であるLogsyを提案する。
従来の方法と比較して,F1スコアの平均0.25の改善を示す。
論文 参考訳（メタデータ） (2020-08-21T07:26:55Z) - Establishing strong imputation performance of a denoising autoencoder in
a wide range of missing data problems [0.0]
トレーニングと計算の両方に一貫したフレームワークを開発します。
結果と最先端の計算手法を比較検討した。
開発されたオートエンコーダは、初期データ破損のあらゆる範囲において最小の誤差を得た。
論文 参考訳（メタデータ） (2020-04-06T12:00:30Z)
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。