論文の概要: Radial Autoencoders for Enhanced Anomaly Detection
- arxiv url: http://arxiv.org/abs/2203.15884v1
- Date: Tue, 29 Mar 2022 20:07:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-31 13:49:48.905716
- Title: Radial Autoencoders for Enhanced Anomaly Detection
- Title（参考訳）: 異常検出のためのラジアルオートエンコーダ
- Authors: Mihai-Cezar Augustin, Vivien Bonvin, Regis Houssou, Efstratios Rappos
and Stephan Robert-Nicoud
- Abstract要約: 異常や不正検出のような二段階の分類タスクでは、教師なしの手法はさらに改善される可能性がある。
異常検出の直感的なアプローチは、2つのクラスの質量の中心からの距離に基づいている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In classification problems, supervised machine-learning methods outperform
traditional algorithms, thanks to the ability of neural networks to learn
complex patterns. However, in two-class classification tasks like anomaly or
fraud detection, unsupervised methods could do even better, because their
prediction is not limited to previously learned types of anomalies. An
intuitive approach of anomaly detection can be based on the distances from the
centers of mass of the two respective classes. Autoencoders, although trained
without supervision, can also detect anomalies: considering the center of mass
of the normal points, reconstructions have now radii, with largest radii most
likely indicating anomalous points. Of course, radii-based classification were
already possible without interposing an autoencoder. In any space, radial
classification can be operated, to some extent. In order to outperform it, we
proceed to radial deformations of data (i.e. centric compression or expansions
of axes) and autoencoder training. Any autoencoder that makes use of a data
center is here baptized a centric autoencoder (cAE). A special type is the cAE
trained with a uniformly compressed dataset, named the centripetal autoencoder
(cpAE). The new concept is studied here in relation with a schematic artificial
dataset, and the derived methods show consistent score improvements. But tested
on real banking data, our radial deformation supervised algorithms alone still
perform better that cAEs, as expected from most supervised methods;
nonetheless, in hybrid approaches, cAEs can be combined with a radial
deformation of space, improving its classification score. We expect that
centric autoencoders will become irreplaceable objects in anomaly live
detection based on geometry, thanks to their ability to stem naturally on
geometrical algorithms and to their native capability of detecting unknown
anomaly types.
- Abstract（参考訳）: 分類問題では、ニューラルネットワークが複雑なパターンを学習できるため、教師付き機械学習手法が従来のアルゴリズムより優れている。
しかしながら、異常や不正検出のような2つのクラス分類タスクでは、教師なしのメソッドは、以前学習したタイプの異常に限らないため、さらに優れている可能性がある。
異常検出の直感的なアプローチは、2つのクラスの質量の中心からの距離に基づいている。
オートエンコーダは、監視なしで訓練されるが、異常を検出できる: 正常点の質量の中心を考えると、再構築はradiiとなり、最大のradiiは異常点を示す可能性が高い。
もちろん、radiiベースの分類はすでにオートエンコーダを介さずに可能であった。
任意の空間において、ラジアル分類はある程度は操作できる。
それを上回るためには、データのラジアルな変形(軸中心の圧縮や拡大)とオートエンコーダのトレーニングに進む。
データセンターを利用するオートエンコーダは、ここで、中心的オートエンコーダ(cAE)を洗礼する。
特別なタイプは、cpAE (Centripetal autoencoder) と名付けられた一様に圧縮されたデータセットで訓練されたCAEである。
新しい概念はスキーマ的な人工データセットに関連して研究され、導出された手法は一貫したスコア改善を示す。
しかし、実際の銀行データを用いてテストしたところ、我々の放射状変形監視アルゴリズムだけでは、ほとんどの監督手法が期待するように、CAEよりも優れた性能を発揮する。
我々は、幾何学的アルゴリズムで自然に伸びる能力と未知の異常型を検出するネイティブ能力により、中心的なオートエンコーダが、幾何学に基づく異常なライブ検出において、置換不能なオブジェクトになることを期待する。
関連論文リスト
- Remote sensing framework for geological mapping via stacked autoencoders and clustering [0.15833270109954137]
リモートセンシングデータを処理するための教師なし機械学習ベースのフレームワークを提案する。
オーストラリアのムタウィンチ地域の地質マッピングの枠組みを評価するために,ランドサット8,ASTER,Sentinel-2のデータセットを用いた。
本研究により, 岩盤単位を効率的に識別し, 高精度かつ解釈可能な地質図を作成できることが判明した。
論文 参考訳（メタデータ） (2024-04-02T09:15:32Z) - Feature Selection using Sparse Adaptive Bottleneck Centroid-Encoder [1.2487990897680423]
2つ以上のクラスで識別される特徴を決定するために,新しい非線形モデル SABCE (Sparse Adaptive Bottleneckid-Encoder) を導入する。
このアルゴリズムは、高次元生物学的、画像、音声、加速度センサデータなど、様々な実世界のデータセットに適用される。
論文 参考訳（メタデータ） (2023-06-07T21:37:21Z) - AnoRand: A Semi Supervised Deep Learning Anomaly Detection Method by
Random Labeling [0.0]
異常検出(英: Anomaly detection)またはより一般的には異常検出(英: outliers detection)は、理論的および応用機械学習において最も人気があり、課題の1つである。
我々は、ディープラーニングアーキテクチャとランダムな合成ラベル生成を組み合わせることで、textbfAnoRandと呼ばれる新しい半教師付き異常検出手法を提案する。
論文 参考訳（メタデータ） (2023-05-28T10:53:34Z) - Open-Set Automatic Target Recognition [52.27048031302509]
オートマチックターゲット認識(Automatic Target Recognition、ATR)は、異なるセンサーから取得したデータに基づいてターゲットを認識しようとするコンピュータビジョンアルゴリズムのカテゴリである。
既存のATRアルゴリズムは、トレーニングとテストが同じクラス分布を持つ従来のクローズドセット手法向けに開発されている。
ATRアルゴリズムのオープンセット認識機能を実現するためのオープンセット自動ターゲット認識フレームワークを提案する。
論文 参考訳（メタデータ） (2022-11-10T21:28:24Z) - Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology
Classification and Anomaly Detection [57.85347204640585]
We developed a Universal Domain Adaptation method DeepAstroUDA。
異なるタイプのクラスオーバーラップしたデータセットに適用することができる。
初めて、我々は2つの非常に異なる観測データセットに対するドメイン適応の有効利用を実演した。
論文 参考訳（メタデータ） (2022-11-01T18:07:21Z) - Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
自律運転システムには2つの主要なアルゴリズムアプローチがある。
ディープラーニングだけでは、多くの分野で最先端の結果が得られています。
しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
論文 参考訳（メタデータ） (2022-03-28T20:29:50Z) - Latent Vector Expansion using Autoencoder for Anomaly Detection [1.370633147306388]
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。
論文 参考訳（メタデータ） (2022-01-05T02:28:38Z) - High-dimensional separability for one- and few-shot learning [58.8599521537]
この作業は、実用的な質問、人工知能(AI)エラーの修正によって進められている。
特殊な外部デバイスである修正器が開発されている。従来のAIシステムを変更することなく、迅速かつ非イテレーティブなシステム修正を提供する必要がある。
AIシステムの新しいマルチコレクタが提示され、深層畳み込みニューラルネットワークによってエラーを予測し、新しいクラスのオブジェクトを学習する例が紹介される。
論文 参考訳（メタデータ） (2021-06-28T14:58:14Z) - DASVDD: Deep Autoencoding Support Vector Data Descriptor for Anomaly
Detection [9.19194451963411]
半教師付き異常検出は、通常のデータに基づいて訓練されたモデルを用いて、通常のサンプルから異常を検出することを目的としている。
本稿では,自己エンコーダのパラメータを協調的に学習する手法であるDASVDDを提案する。
論文 参考訳（メタデータ） (2021-06-09T21:57:41Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳（メタデータ） (2021-02-25T14:24:49Z) - 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)
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。