論文の概要: Catching Both Gray and Black Swans: Open-set Supervised Anomaly
Detection
- arxiv url: http://arxiv.org/abs/2203.14506v1
- Date: Mon, 28 Mar 2022 05:21:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-29 15:34:06.847345
- Title: Catching Both Gray and Black Swans: Open-set Supervised Anomaly
Detection
- Title(参考訳): グレイスとブラックスワンのキャッチ:オープンセットによる異常検出
- Authors: Choubo Ding, Guansong Pang, Chunhua Shen
- Abstract要約: ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。
これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。
トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。
本稿では,オープンセット型教師付き異常検出に取り組む。
- 参考スコア(独自算出の注目度): 90.32910087103744
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite most existing anomaly detection studies assume the availability of
normal training samples only, a few labeled anomaly examples are often
available in many real-world applications, such as defect samples identified
during random quality inspection, lesion images confirmed by radiologists in
daily medical screening, etc. These anomaly examples provide valuable knowledge
about the application-specific abnormality, enabling significantly improved
detection of similar anomalies in some recent models. However, those anomalies
seen during training often do not illustrate every possible class of anomaly,
rendering these models ineffective in generalizing to unseen anomaly classes.
This paper tackles open-set supervised anomaly detection, in which we learn
detection models using the anomaly examples with the objective to detect both
seen anomalies (`gray swans') and unseen anomalies (`black swans'). We propose
a novel approach that learns disentangled representations of abnormalities
illustrated by seen anomalies, pseudo anomalies, and latent residual anomalies
(i.e., samples that have unusual residuals compared to the normal data in a
latent space), with the last two abnormalities designed to detect unseen
anomalies. Extensive experiments on nine real-world anomaly detection datasets
show superior performance of our model in detecting seen and unseen anomalies
under diverse settings. Code and data are available at:
https://github.com/choubo/DRA.
- Abstract(参考訳): 既存の異常検出研究のほとんどは正常なトレーニングサンプルのみを想定しているが、ランダム品質検査中に特定された欠陥サンプル、毎日の検診で放射線科医が確認した病変画像など、いくつかのラベル付き異常例は、現実世界の多くのアプリケーションでしばしば利用可能である。
これらの異常例は、アプリケーション固有の異常に関する貴重な知識を提供し、最近のモデルで同様の異常の検出を大幅に改善することができる。
しかし、訓練中に見られるこれらの異常はしばしば全ての可能な異常クラスを示さないため、これらのモデルは目に見えない異常クラスへの一般化に役に立たない。
そこで本研究では, 異常例を用いた検出モデルを学習し, 目に見える異常 (gray swans) と見えない異常 (black swans) の両方を検出することを目的とした。
本研究は, 異常異常, 疑似異常, 潜伏残留異常(潜伏空間における正常データと比較して異常残差を有するサンプル)によって示される異常の非交叉表現を学習し, 残りの2つの異常を検知する手法を提案する。
9つの実世界の異常検出データセットに関する広範囲な実験により,多様な環境下での視認異常および視認異常の検出において,モデルが優れた性能を示す。
コードとデータは、https://github.com/choubo/DRA.comで入手できる。
関連論文リスト
- Anomaly Detection by Context Contrasting [57.695202846009714]
異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。
近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。
我々はコンテキスト拡張を通じて学習するCon$を提案する。
論文 参考訳(メタデータ) (2024-05-29T07:59:06Z) - Uncertainty-aware Evaluation of Auxiliary Anomalies with the Expected Anomaly Posterior [17.499560292835]
異常検出は、期待通りに振る舞わない例を特定するタスクである。
合成異常は品質が悪いかもしれない。
補助異常の品質を定量化する既存の方法はない。
論文 参考訳(メタデータ) (2024-05-22T14:43:29Z) - Anomaly Heterogeneity Learning for Open-set Supervised Anomaly Detection [26.08881235151695]
オープンセット型教師付き異常検出(OSAD)は、トレーニング中に見られたいくつかの異常クラスのサンプルを利用して、見えない異常を検出することを目的としている。
異種不均一分布の多様集合をシミュレートする新しいアプローチ,すなわちAHL(Anomaly Heterogeneity Learning)を導入する。
AHL can 1) は, 目に見える異常や見えない異常の検出において, 最先端のOSADモデルを大幅に強化し, 2) 新たな領域の異常を効果的に一般化することを示した。
論文 参考訳(メタデータ) (2023-10-19T14:47:11Z) - Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。
PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。
異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
論文 参考訳(メタデータ) (2022-12-05T05:03:46Z) - Variation and generality in encoding of syntactic anomaly information in
sentence embeddings [7.132368785057315]
文中の異常が発生する階層レベルが異なる探索タスクを設計することにより、異常符号化の微妙な相違について検討する。
我々は、与えられた異常を検出するモデルだけでなく、検出された異常信号の一般性もテストする。
その結果、全てのモデルが異常検出をサポートする情報を符号化しているが、検出性能は異常毎に異なることが示唆された。
論文 参考訳(メタデータ) (2021-11-12T10:23:43Z) - Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。
提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。
我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文 参考訳(メタデータ) (2021-08-01T14:33:17Z) - Toward Deep Supervised Anomaly Detection: Reinforcement Learning from
Partially Labeled Anomaly Data [150.9270911031327]
本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。
既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。
そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2020-09-15T03:05:39Z) - Deep Weakly-supervised Anomaly Detection [118.55172352231381]
ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。
PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。
12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
論文 参考訳(メタデータ) (2019-10-30T00:40:25Z)
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。