論文の概要: Do autoencoders need a bottleneck for anomaly detection?

• arxiv url: http://arxiv.org/abs/2202.12637v1
• Date: Fri, 25 Feb 2022 11:57:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-28 19:46:47.104845
• Title: Do autoencoders need a bottleneck for anomaly detection?
• Title（参考訳）: オートエンコーダは異常検出にボトルネックが必要か?
• Authors: Bang Xiang Yong, Alexandra Brintrup
• Abstract要約: アイデンティティ関数を学習すると、異常検出にAEは役に立たない。 本研究では,非ボツルネック型AEの値について検討する。 無限大のAEを非ボトルネック型AEの極端な例として提案する。
• 参考スコア（独自算出の注目度）: 78.24964622317634
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A common belief in designing deep autoencoders (AEs), a type of unsupervised neural network, is that a bottleneck is required to prevent learning the identity function. Learning the identity function renders the AEs useless for anomaly detection. In this work, we challenge this limiting belief and investigate the value of non-bottlenecked AEs. The bottleneck can be removed in two ways: (1) overparameterising the latent layer, and (2) introducing skip connections. However, limited works have reported on the use of one of the ways. For the first time, we carry out extensive experiments covering various combinations of bottleneck removal schemes, types of AEs and datasets. In addition, we propose the infinitely-wide AEs as an extreme example of non-bottlenecked AEs. Their improvement over the baseline implies learning the identity function is not trivial as previously assumed. Moreover, we find that non-bottlenecked architectures (highest AUROC=0.857) can outperform their bottlenecked counterparts (highest AUROC=0.696) on the popular task of CIFAR (inliers) vs SVHN (anomalies), among other tasks, shedding light on the potential of developing non-bottlenecked AEs for improving anomaly detection.
• Abstract（参考訳）: 教師なしニューラルネットワークの一種であるディープオートエンコーダ(aes)を設計する一般的な考え方は、アイデンティティ関数の学習を妨げるにはボトルネックが必要である、というものだ。 アイデンティティ関数を学習すると、異常検出にAEは役に立たない。 本研究では,この制限された信念に挑戦し,非ボトルネック型AEの価値について検討する。 ボトルネックは、(1)潜在層を過小評価する、(2)スキップ接続を導入する、の2つの方法で取り除くことができる。 しかし、その方法の1つについて、限られた研究が報告されている。 ボトルネック除去スキーム,aesタイプ,データセットのさまざまな組み合わせについて,今回初めて広範囲にわたる実験を行った。 さらに、無限大のAEを非ボトルネック型AEの極端な例として提案する。 ベースラインに対するそれらの改善は、前述したようにアイデンティティ関数の学習は自明ではないことを意味する。 さらに, CIFAR (inliers) 対 SVHN (anomalies) の一般的なタスクにおいて, 非ブートネック型アーキテクチャ (Highest AUROC=0.857) はボトルネック付きアーキテクチャ (Highest AUROC=0.696) よりも優れており, 異常検出のための非ブートネック型AEの開発の可能性に光を当てている。

関連論文リスト

• Open-Vocabulary Video Anomaly Detection [57.552523669351636]
  監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。 近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。 本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
  論文  参考訳（メタデータ） (2023-11-13T02:54:17Z)
• Self-Distilled Masked Auto-Encoders are Efficient Video Anomaly Detectors [117.61449210940955]
  ビデオフレームレベルで適用された軽量マスク付きオートエンコーダ(AE)に基づく効率的な異常事象検出モデルを提案する。 動き勾配に基づく重みトークンへのアプローチを導入し、静的背景シーンから前景オブジェクトへ焦点を移す。 トレーニングビデオの強化のために合成異常事象を生成し,マスク付きAEモデルを用いてオリジナルのフレームを共同で再構築する。
  論文  参考訳（メタデータ） (2023-06-21T06:18:05Z)
• Synthetic Pseudo Anomalies for Unsupervised Video Anomaly Detection: A Simple yet Efficient Framework based on Masked Autoencoder [1.9511777443446219]
  本稿では,ビデオ異常検出のための簡易かつ効率的なフレームワークを提案する。 擬似異常サンプルは、余分なデータ処理をせずにランダムマスクトークンを埋め込み、正規データのみから合成する。 また、正規性とそれに対応する擬似異常データから正規知識をよりよく学習するよう、AEsに促す正規性整合性訓練戦略を提案する。
  論文  参考訳（メタデータ） (2023-03-09T08:33:38Z)
• Be Your Own Neighborhood: Detecting Adversarial Example by the Neighborhood Relations Built on Self-Supervised Learning [64.78972193105443]
  本稿では,予測に有効な新しいAE検出フレームワークを提案する。 AEの異常な関係と拡張バージョンを区別して検出を行う。 表現を抽出し、ラベルを予測するために、既製の自己監視学習(SSL)モデルが使用される。
  論文  参考訳（メタデータ） (2022-08-31T08:18:44Z)
• Detecting and Recovering Adversarial Examples from Extracting Non-robust and Highly Predictive Adversarial Perturbations [15.669678743693947]
  敵の例(AE)は、ターゲットモデルを騙すために悪質に設計されている。 ディープニューラルネットワーク(DNN)は、敵の例に対して脆弱であることが示されている。 本稿では,被害者モデルに問い合わせることができないモデルフリーなAE検出手法を提案する。
  論文  参考訳（メタデータ） (2022-06-30T08:48:28Z)
• What do we learn? Debunking the Myth of Unsupervised Outlier Detection [9.599183039166284]
  自動エンコーダが2つの異なるタスクを解く際に実際に何を学ぶかを検討する。 現状のSOTA (State-of-the-art) AEsは潜伏多様体を制約できず、異常パターンの復元ができないか、潜伏分布から正確に入力を復元できないかを示す。 本稿では,新しい変形可能なオートエンコーダ(AEMorphus)を提案する。
  論文  参考訳（メタデータ） (2022-06-08T06:36:16Z)
• Probabilistic Robust Autoencoders for Anomaly Detection [7.362415721170984]
  確率ロバストオートエンコーダ(PRAE)と呼ばれる新しいタイプのオートエンコーダを提案する。 PRAEは、同時に外れ値を取り除き、下降値サンプルの低次元表現を識別するように設計されている。 PRAEの解法がRAEの解と等価であることを証明し、PRAEが異常検出の最先端手法と同等であることを示す。
  論文  参考訳（メタデータ） (2021-10-01T15:46:38Z)
• Efficient Person Search: An Anchor-Free Approach [86.45858994806471]
  パーソンサーチは、クエリーの人物を、リアルで切り刻まれていない画像から、同時にローカライズし、識別することを目的としている。 この目標を達成するために、最先端モデルは通常、Faster R-CNNのような2段階検出器にre-idブランチを追加する。 本研究では,この課題に対処するためのアンカーフリーな手法を提案する。
  論文  参考訳（メタデータ） (2021-09-01T07:01:33Z)
• Dual Adversarial Auto-Encoders for Clustering [152.84443014554745]
  教師なしクラスタリングのためのDual-AAE(Dual-AAE)を提案する。 Dual-AAEの目的関数に対する変分推論を行うことで,一対のオートエンコーダをトレーニングすることで最適化可能な新たな再構成損失を導出する。 4つのベンチマーク実験により、Dual-AAEは最先端のクラスタリング手法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-08-23T13:16:34Z)
• ARAE: Adversarially Robust Training of Autoencoders Improves Novelty Detection [6.992807725367106]
  オートエンコーダ(AE)は新規性検出問題にアプローチするために広く利用されている。 より意味論的に意味のある特徴を学習できる新しいAEを提案する。 よりシンプルなアーキテクチャを使用しているにもかかわらず、提案されたAEは、3つのベンチマークデータセットで最先端の競合に勝っているか、あるいは競合していることを示す。
  論文  参考訳（メタデータ） (2020-03-12T09:06:41Z)

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。