論文の概要: Self-Supervised Anomaly Detection: A Survey and Outlook
- arxiv url: http://arxiv.org/abs/2205.05173v2
- Date: Thu, 12 May 2022 08:58:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-14 06:56:14.886687
- Title: Self-Supervised Anomaly Detection: A Survey and Outlook
- Title(参考訳): 自己監視型異常検出:調査と展望
- Authors: Hadi Hojjati, Thi Kieu Khanh Ho, Narges Armanfard
- Abstract要約: 自己監督型異常検出は最先端の精度をかなりの差で上回っている。
共通のアプローチの技術的詳細を説明し、その強みと欠点について論じる。
- 参考スコア(独自算出の注目度): 3.502112118170715
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Over the past few years, anomaly detection, a subfield of machine learning
that is mainly concerned with the detection of rare events, witnessed an
immense improvement following the unprecedented growth of deep learning models.
Recently, the emergence of self-supervised learning has sparked the development
of new anomaly detection algorithms that surpassed state-of-the-art accuracy by
a significant margin. This paper aims to review the current approaches in
self-supervised anomaly detection. We present technical details of the common
approaches and discuss their strengths and drawbacks. We also compare the
performance of these models against each other and other state-of-the-art
anomaly detection models. Finally, we discuss a variety of new directions for
improving the existing algorithms.
- Abstract(参考訳): 過去数年間、まれな事象の検出を主眼とする機械学習のサブフィールドである異常検出は、ディープラーニングモデルが前例のない成長を遂げた後、大幅な改善をみせた。
近年,自己教師付き学習の出現により,最先端精度をかなり超えた新しい異常検出アルゴリズムが開発されている。
本稿では,自己監督型異常検出における現在のアプローチを概観する。
共通のアプローチの技術的詳細を説明し、その強みと欠点について論じる。
また,これらのモデルの性能を,他の最先端の異常検出モデルと比較した。
最後に、既存のアルゴリズムを改善するための様々な新しい方向について論じる。
関連論文リスト
- Large Language Models for Forecasting and Anomaly Detection: A
Systematic Literature Review [10.325003320290547]
本稿では,Large Language Models (LLMs) の予測・異常検出への応用について概説する。
LLMは、パターンを特定し、将来の事象を予測し、様々な領域にまたがる異常な振る舞いを検出するために、広範囲なデータセットを解析し分析する大きな可能性を示してきた。
このレビューでは、膨大な歴史的データセットへの依存、さまざまな文脈における一般化可能性の問題、モデル幻覚の現象など、より広範な採用と有効性を阻害するいくつかの重要な課題を取り上げている。
論文 参考訳(メタデータ) (2024-02-15T22:43:02Z) - Masked Modeling for Self-supervised Representation Learning on Vision
and Beyond [69.64364187449773]
仮面モデリングは、トレーニング中に比例的にマスキングされる元のデータの一部を予測する、独特なアプローチとして現れてきた。
マスクモデリングにおけるテクニックの詳細については,多様なマスキング戦略,ターゲット回復,ネットワークアーキテクチャなどについて詳述する。
我々は、現在の手法の限界について議論し、マスクモデリング研究を進めるためのいくつかの道のりを指摘した。
論文 参考訳(メタデータ) (2023-12-31T12:03:21Z) - Deep Anomaly Detection in Text [3.4265828682659705]
本論文は,テキストコーパスに適したプリテキストタスクを活用することによって,異常を検出する手法を開発することを目的とする。
このアプローチは、半教師付きおよび教師なしの異常検出の両方において、2つのデータセットである20NewsgroupsとAG Newsの最先端性を大幅に改善する。
論文 参考訳(メタデータ) (2023-12-14T22:04:43Z) - The Fairness Stitch: Unveiling the Potential of Model Stitching in
Neural Network De-Biasing [0.043512163406552]
本研究では,深層学習モデルの公平性を高めるために,"The Fairness Stitch"と呼ばれる新しい手法を提案する。
我々はCelebAとUTKFaceの2つのよく知られたデータセットを総合的に評価する。
フェアネスとパフォーマンスのバランスの取れたトレードオフを達成する上で, 顕著な改善がみられた。
論文 参考訳(メタデータ) (2023-11-06T21:14:37Z) - Leveraging Pretrained Representations with Task-related Keywords for
Alzheimer's Disease Detection [69.53626024091076]
アルツハイマー病(AD)は高齢者に特に顕著である。
事前学習モデルの最近の進歩は、AD検出モデリングを低レベル特徴から高レベル表現にシフトさせる動機付けとなっている。
本稿では,高レベルの音響・言語的特徴から,より優れたAD関連手がかりを抽出する,いくつかの効率的な手法を提案する。
論文 参考訳(メタデータ) (2023-03-14T16:03:28Z) - Unsupervised Pathology Detection: A Deep Dive Into the State of the Art [6.667150890634173]
複数の医療データセット上で,最先端の非教師付き異常検出法 (UAD) の選択について検討した。
本実験は, 産業・医療文献から新たに開発された特徴モデリング手法により, 性能が向上することが実証された。
これらの手法は,最近開発された自己教師付き事前学習アルゴリズムの恩恵を受けることができることを示す。
論文 参考訳(メタデータ) (2023-03-01T16:03:25Z) - GLUECons: A Generic Benchmark for Learning Under Constraints [102.78051169725455]
本研究では,自然言語処理とコンピュータビジョンの分野における9つのタスクの集合であるベンチマークを作成する。
外部知識を制約としてモデル化し、各タスクの制約のソースを特定し、これらの制約を使用するさまざまなモデルを実装します。
論文 参考訳(メタデータ) (2023-02-16T16:45:36Z) - Knowledge as Invariance -- History and Perspectives of
Knowledge-augmented Machine Learning [69.99522650448213]
機械学習の研究は転換点にある。
研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。
このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
論文 参考訳(メタデータ) (2020-12-21T15:07:19Z) - A Unifying Review of Deep and Shallow Anomaly Detection [38.202998314502786]
我々は、様々な方法によって暗黙的に行われることの多い仮定と同様に、共通の根底にある原則を特定することを目的としている。
本稿では,最近の説明可能性技術を用いて,既存の主要な手法を実証的に評価する。
我々は、重要なオープン課題を概説し、異常検出における今後の研究の道筋を特定する。
論文 参考訳(メタデータ) (2020-09-24T14:47:54Z) - A Comprehensive Study on Temporal Modeling for Online Action Detection [50.558313106389335]
オンライン行動検出(OAD)は実用的だが難しい課題であり、近年注目を集めている。
本稿では,4種類の時間的モデリング手法を含むOADの時間的モデリングに関する総合的研究を提案する。
本稿では,THUMOS-14 と TVSeries に対して,近年の最先端手法よりも大きなマージンを有するハイブリッド時間モデルを提案する。
論文 参考訳(メタデータ) (2020-01-21T13:12:58Z) - Rethinking Generalization of Neural Models: A Named Entity Recognition
Case Study [81.11161697133095]
NERタスクをテストベッドとして、異なる視点から既存モデルの一般化挙動を分析する。
詳細な分析による実験は、既存のニューラルNERモデルのボトルネックを診断する。
本論文の副産物として,最近のNER論文の包括的要約を含むプロジェクトをオープンソース化した。
論文 参考訳(メタデータ) (2020-01-12T04:33:53Z)
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。