論文の概要: Learning to Adapt to Domain Shifts with Few-shot Samples in Anomalous Sound Detection

• arxiv url: http://arxiv.org/abs/2204.01905v1
• Date: Tue, 5 Apr 2022 00:22:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-06 15:00:54.344419
• Title: Learning to Adapt to Domain Shifts with Few-shot Samples in Anomalous Sound Detection
• Title（参考訳）: 異常音検出における小ショットサンプルによる領域シフト適応の学習
• Authors: Bingqing Chen, Luca Bondi, Samarjit Das
• Abstract要約: 異常検出は、産業機器の監視など、多くの重要な応用がある。 サンプルの少ない新しい条件に適応するフレームワークを提案する。 提案手法は,最近リリースされた各種機械の音響測定データセットを用いて評価する。
• 参考スコア（独自算出の注目度）: 7.631596468553607
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection has many important applications, such as monitoring industrial equipment. Despite recent advances in anomaly detection with deep-learning methods, it is unclear how existing solutions would perform under out-of-distribution scenarios, e.g., due to shifts in machine load or environmental noise. Grounded in the application of machine health monitoring, we propose a framework that adapts to new conditions with few-shot samples. Building upon prior work, we adopt a classification-based approach for anomaly detection and show its equivalence to mixture density estimation of the normal samples. We incorporate an episodic training procedure to match the few-shot setting during inference. We define multiple auxiliary classification tasks based on meta-information and leverage gradient-based meta-learning to improve generalization to different shifts. We evaluate our proposed method on a recently-released dataset of audio measurements from different machine types. It improved upon two baselines by around 10% and is on par with best-performing model reported on the dataset.
• Abstract（参考訳）: 異常検出は、産業機器の監視など、多くの重要な応用がある。 ディープラーニング手法による異常検出の最近の進歩にもかかわらず、機械の負荷や環境騒音の変化などにより、既存のソリューションが分散シナリオの下でどのように機能するかは不明である。 マシンヘルスモニタリングの応用を基礎として,数発のサンプルで新しい状況に適応するフレームワークを提案する。 先行研究に基づいて, 異常検出のための分類に基づくアプローチを採用し, 正常試料の混合密度推定と等価性を示す。 推論中の最小ショット設定に適合するエピソディクス訓練手順を組み込んだ。 メタ情報に基づく複数の補助的分類タスクを定義し,勾配に基づくメタ学習を活用し,異なるシフトへの一般化を改善する。 提案手法は,最近リリースされた異なるマシンタイプからの音響計測データセット上で評価する。 2つのベースラインで約10%改善され、データセットで報告された最高のパフォーマンスモデルと同等である。

関連論文リスト

• Online-Adaptive Anomaly Detection for Defect Identification in Aircraft Assembly [4.387337528923525]
  異常検出は、データ内の確立されたパターンから逸脱を検出する。 本稿では,移動学習を用いたオンライン適応型異常検出のための新しいフレームワークを提案する。 実験結果は0.975を超える検出精度を示し、最先端のET-NETアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2024-06-18T15:11:44Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Intra-class Adaptive Augmentation with Neighbor Correction for Deep Metric Learning [99.14132861655223]
  深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。 クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。 本手法は,検索性能の最先端手法を3%～6%向上させる。
  論文  参考訳（メタデータ） (2022-11-29T14:52:38Z)
• Autoencoder Attractors for Uncertainty Estimation [13.618797548020462]
  本稿では,オートエンコーダモデルに基づく不確実性推定手法を提案する。 提案手法は,車室内における占有者分類の産業的応用だけでなく,いくつかのデータセットの組み合わせについても検討した。
  論文  参考訳（メタデータ） (2022-04-01T12:10:06Z)
• Investigation of Different Calibration Methods for Deep Speaker Embedding based Verification Systems [66.61691401921296]
  本稿では, ディープスピーカ埋込抽出器のスコアキャリブレーション法について検討する。 この研究のさらなる焦点は、スコア正規化がシステムの校正性能に与える影響を推定することである。
  論文  参考訳（メタデータ） (2022-03-28T21:22:22Z)
• Recent Advances in Domain Adaptation for the Classification of Remote Sensing Data [13.003241006687322]
  リモートセンシングデータ分類の問題を解決するためにドメイン適応(DA)アプローチが提案されている。 本稿では,リモートセンシングにおけるDAの最近の進歩について批判的なレビューを行う。 高い空間分解能とスペクトル分解能を特徴とするリアルリモートセンシング画像に対する検討手法の適用例を紹介します。
  論文  参考訳（メタデータ） (2021-04-15T21:15:48Z)
• 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)
• Unsupervised Domain Adaptation for Acoustic Scene Classification Using Band-Wise Statistics Matching [69.24460241328521]
  機械学習アルゴリズムは、トレーニング(ソース)とテスト(ターゲット)データの分散のミスマッチの影響を受けやすい。 本研究では,ターゲット領域音響シーンの各周波数帯域の1次及び2次サンプル統計値と,ソース領域学習データセットの1次と2次サンプル統計値との整合性を有する教師なし領域適応手法を提案する。 提案手法は,文献にみられる最先端の教師なし手法よりも,ソース・ドメインの分類精度とターゲット・ドメインの分類精度の両面で優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-30T23:56:05Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。