論文の概要: Novel Applications for VAE-based Anomaly Detection Systems

• arxiv url: http://arxiv.org/abs/2204.12577v1
• Date: Tue, 26 Apr 2022 20:30:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-28 14:12:34.407394
• Title: Novel Applications for VAE-based Anomaly Detection Systems
• Title（参考訳）: vaeに基づく異常検出システムの新しい応用
• Authors: Luca Bergamin, Tommaso Carraro, Mirko Polato, Fabio Aiolli
• Abstract要約: 深層生成モデリング(DGM)は、与えられたデータセットから始まり、新規で見えないデータを生成することができる。 この技術が有望な応用を示すにつれて、多くの倫理的問題がもたらされる。 研究は、異なるバイアスが深層学習モデルに影響を与え、誤った表現のような社会的問題を引き起こすことを示している。
• 参考スコア（独自算出の注目度）: 5.065947993017157
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The recent rise in deep learning technologies fueled innovation and boosted scientific research. Their achievements enabled new research directions for deep generative modeling (DGM), an increasingly popular approach that can create novel and unseen data, starting from a given data set. As the technology shows promising applications, many ethical issues also arise. For example, their misuse can enable disinformation campaigns and powerful phishing attempts. Research also indicates different biases affect deep learning models, leading to social issues such as misrepresentation. In this work, we formulate a novel setting to deal with similar problems, showing that a repurposed anomaly detection system effectively generates novel data, avoiding generating specified unwanted data. We propose Variational Auto-encoding Binary Classifiers (V-ABC): a novel model that repurposes and extends the Auto-encoding Binary Classifier (ABC) anomaly detector, using the Variational Auto-encoder (VAE). We survey the limitations of existing approaches and explore many tools to show the model's inner workings in an interpretable way. This proposal has excellent potential for generative applications: models that rely on user-generated data could automatically filter out unwanted content, such as offensive language, obscene images, and misleading information.
• Abstract（参考訳）: 近年のディープラーニング技術の発展はイノベーションを加速させ、科学研究を加速させた。 その成果は、与えられたデータセットから、新しく見えないデータを作成できる、ますますポピュラーなアプローチであるdeep generative modeling(dgm)に対する、新たな研究の方向性を可能にした。 この技術が有望な応用を示すにつれて、多くの倫理的問題がもたらされる。 例えば、悪用は偽情報キャンペーンや強力なフィッシングの試みを可能にする。 研究はまた、異なるバイアスが深層学習モデルに影響を与え、誤った表現のような社会的問題を引き起こすことも示している。 そこで,本研究では, 再使用した異常検出システムが, 特定の不要データを生成するのを回避して, 効果的に新しいデータを生成することを示す。 本稿では,変分オートエンコーダ (vae) を用いて,自動エンコーダ (abc) 異常検出器を再利用し拡張する新しいモデルである変分自動エンコーダ (v-abc) を提案する。 既存のアプローチの限界を調査し、モデルの内部動作を解釈可能な方法で示すための多くのツールを調査します。 ユーザー生成データに依存するモデルは、攻撃的言語、卑劣な画像、誤解を招く情報など、望ましくないコンテンツを自動的にフィルターすることができる。

関連論文リスト

• CableInspect-AD: An Expert-Annotated Anomaly Detection Dataset [14.246172794156987]
  $textitCableInspect-AD$は、カナダの公共ユーティリティであるHydro-Qu'ebecのドメインエキスパートによって作成、注釈付けされた高品質なデータセットである。 このデータセットには、現実世界の異常に挑戦する高解像度の画像が含まれており、さまざまな重度レベルの欠陥をカバーしている。 モデルの性能を評価するために,クロスバリデーションに基づく包括的評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2024-09-30T14:50:13Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
  本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• AnomalyLLM: Few-shot Anomaly Edge Detection for Dynamic Graphs using Large Language Models [19.36513465638031]
  AnomalyLLMは、いくつかのラベル付きサンプルの情報を統合して、数発の異常検出を実現する、コンテキスト内学習フレームワークである。 4つのデータセットの実験により、AnomalyLLMは、数発の異常検出のパフォーマンスを著しく改善できるだけでなく、モデルパラメータを更新することなく、新しい異常に対して優れた結果を得ることができることが明らかになった。
  論文  参考訳（メタデータ） (2024-05-13T10:37:50Z)
• Zero-shot Retrieval: Augmenting Pre-trained Models with Search Engines [83.65380507372483]
  大規模で事前訓練されたモデルは、問題を解決するのに必要なタスク固有のデータの量を劇的に削減するが、多くの場合、ドメイン固有のニュアンスを箱から取り出すのに失敗する。 本稿では,NLPとマルチモーダル学習の最近の進歩を活用して,検索エンジン検索による事前学習モデルを強化する方法について述べる。
  論文  参考訳（メタデータ） (2023-11-29T05:33:28Z)
• Language Models for Novelty Detection in System Call Traces [0.27309692684728604]
  本稿では,システムコールのシーケンスの確率分布に依存する新規性検出手法を提案する。 提案手法は手作りを最小限に抑え、多くの新規品においてFスコアとAuROCを95%以上達成する。 ソースコードとトレーニングされたモデルはGitHubで公開されており、データセットはZenodoで公開されている。
  論文  参考訳（メタデータ） (2023-09-05T13:11:40Z)
• AES Systems Are Both Overstable And Oversensitive: Explaining Why And Proposing Defenses [66.49753193098356]
  スコアリングモデルの驚くべき逆方向の脆さの原因について検討する。 のモデルとして訓練されているにもかかわらず、単語の袋のように振る舞うことを示唆している。 高い精度で試料を発生させる過敏性と過敏性を検出できる検出ベース保護モデルを提案する。
  論文  参考訳（メタデータ） (2021-09-24T03:49:38Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
  オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。 CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。 複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2020-08-12T06:23:49Z)
• 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。