論文の概要: Self-Supervised Anomaly Detection in Computer Vision and Beyond: A
Survey and Outlook
- arxiv url: http://arxiv.org/abs/2205.05173v5
- Date: Tue, 23 Jan 2024 06:25:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-24 12:50:54.439631
- Title: Self-Supervised Anomaly Detection in Computer Vision and Beyond: A
Survey and Outlook
- Title（参考訳）: コンピュータビジョンとそれを超える自己監督型異常検出:調査と展望
- Authors: Hadi Hojjati, Thi Kieu Khanh Ho, Narges Armanfard
- Abstract要約: 異常検出は、サイバーセキュリティ、金融、医療など、さまざまな領域において重要な役割を担っている。
近年,深層学習モデルの顕著な成長により,この分野において大きな進歩を遂げている。
自己教師型学習の出現は、既存の最先端のアプローチよりも優れた新しいADアルゴリズムの開発を引き起こした。
- 参考スコア（独自算出の注目度）: 9.85256783464329
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Anomaly detection (AD) plays a crucial role in various domains, including
cybersecurity, finance, and healthcare, by identifying patterns or events that
deviate from normal behaviour. In recent years, significant progress has been
made in this field due to the remarkable growth of deep learning models.
Notably, the advent of self-supervised learning has sparked the development of
novel AD algorithms that outperform the existing state-of-the-art approaches by
a considerable margin. This paper aims to provide a comprehensive review of the
current methodologies in self-supervised anomaly detection. We present
technical details of the standard methods 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, the paper
concludes with a discussion of future directions for self-supervised anomaly
detection, including the development of more effective and efficient algorithms
and the integration of these techniques with other related fields, such as
multi-modal learning.
- Abstract（参考訳）: 異常検出(AD)は、通常の行動から逸脱するパターンや事象を特定することによって、サイバーセキュリティ、金融、医療など様々な領域において重要な役割を果たす。
近年,深層学習モデルの顕著な成長により,この分野において大きな進歩を遂げている。
特に、自己教師付き学習の出現は、既存の最先端のアプローチをかなりの差で上回る新しい広告アルゴリズムの開発を促した。
本稿では,自己監督型異常検出における現在の手法を概観する。
標準手法の技術的詳細を説明し,その強みと欠点について考察する。
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、より効率的かつ効率的なアルゴリズムの開発や、これらの手法をマルチモーダル学習などの他の関連分野と統合することを含む、自己教師付き異常検出の今後の方向性について論じる。
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) - 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) - Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。
時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。
本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
論文 参考訳（メタデータ） (2022-11-09T22:40:22Z) - 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。