論文の概要: A Vision Inspired Neural Network for Unsupervised Anomaly Detection in
Unordered Data
- arxiv url: http://arxiv.org/abs/2205.06716v1
- Date: Fri, 13 May 2022 15:50:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-16 16:15:36.814899
- Title: A Vision Inspired Neural Network for Unsupervised Anomaly Detection in
Unordered Data
- Title（参考訳）: 非順序データにおける教師なし異常検出のための視覚インスパイアニューラルネットワーク
- Authors: Nassir Mohammad
- Abstract要約: 教師なし機械学習の分野における根本的な問題は、まれで異常な関心の観測に対応する異常の検出である。
本研究は、知覚アルゴリズムが用いたアプローチと、神経生理学と計算神経科学におけるこれまでの数十年の研究の間に重要な、実践的なつながりを確立することを目的とする。
このアルゴリズムは、予期せぬ観察を異常として信号する学習を行う教師なしニューラルネットワークのカーネルを形成するニューロンモデルとして概念化されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A fundamental problem in the field of unsupervised machine learning is the
detection of anomalies corresponding to rare and unusual observations of
interest; reasons include for their rejection, accommodation or further
investigation. Anomalies are intuitively understood to be something unusual or
inconsistent, whose occurrence sparks immediate attention. More formally
anomalies are those observations-under appropriate random variable
modelling-whose expectation of occurrence with respect to a grouping of prior
interest is less than one; such a definition and understanding has been used to
develop the parameter-free perception anomaly detection algorithm. The present
work seeks to establish important and practical connections between the
approach used by the perception algorithm and prior decades of research in
neurophysiology and computational neuroscience; particularly that of
information processing in the retina and visual cortex. The algorithm is
conceptualised as a neuron model which forms the kernel of an unsupervised
neural network that learns to signal unexpected observations as anomalies. Both
the network and neuron display properties observed in biological processes
including: immediate intelligence; parallel processing; redundancy; global
degradation; contrast invariance; parameter-free computation, dynamic
thresholds and non-linear processing. A robust and accurate model for anomaly
detection in univariate and multivariate data is built using this network as a
concrete application.
- Abstract（参考訳）: 教師なし機械学習の分野における根本的な問題は、関心の希少かつ異常な観察に対応する異常の検出である。
異常は直感的に、異常または矛盾するものと理解され、その発生がすぐに注意を喚起する。
より形式的な異常は、事前関心の集団化に関して発生を期待する観察に基づく適切な確率変数モデリングであり、パラメータフリーな知覚異常検出アルゴリズムを開発するために、そのような定義と理解が用いられてきた。
本研究は、知覚アルゴリズムが用いたアプローチと、神経生理学と計算神経科学におけるこれまでの数十年の研究、特に網膜および視覚野における情報処理との重要かつ実践的な関係を確立することを目的とする。
このアルゴリズムは、予期せぬ観察を異常として信号する学習を行う教師なしニューラルネットワークのカーネルを形成するニューロンモデルとして概念化されている。
ネットワークとニューロンの表示特性は、即時知性、並列処理、冗長性、大域的劣化、コントラスト不変性、パラメータフリーな計算、動的しきい値、非線形処理を含む生物学的プロセスで観察される。
このネットワークを具体的応用として, 単変量および多変量データの異常検出のための頑健かつ正確なモデルを構築した。
関連論文リスト
- Explainable Online Unsupervised Anomaly Detection for Cyber-Physical Systems via Causal Discovery from Time Series [1.223779595809275]
ニューラルネットワークによるディープラーニングに基づく最先端のアプローチは、異常認識において優れたパフォーマンスを達成する。
本手法はトレーニング効率が向上し,最先端のニューラルネットワークアーキテクチャの精度に優れることを示す。
論文 参考訳（メタデータ） (2024-04-15T15:42:12Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Overcoming the Domain Gap in Contrastive Learning of Neural Action
Representations [60.47807856873544]
神経科学の基本的な目標は、神経活動と行動の関係を理解することである。
我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。
このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
論文 参考訳（メタデータ） (2021-11-29T15:27:51Z) - The Causal Neural Connection: Expressiveness, Learnability, and
Inference [125.57815987218756]
構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。
本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。
我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
論文 参考訳（メタデータ） (2021-07-02T01:55:18Z) - Graph Neural Network-Based Anomaly Detection in Multivariate Time Series [17.414474298706416]
我々は,高次元時系列データにおける異常を検出する新しい方法を開発した。
我々のアプローチは、構造学習アプローチとグラフニューラルネットワークを組み合わせている。
本研究では,本手法がベースラインアプローチよりも高精度に異常を検出することを示す。
論文 参考訳（メタデータ） (2021-06-13T09:07:30Z) - A Survey on Anomaly Detection for Technical Systems using LSTM Networks [0.0]
異常は、意図されたシステムの動作から逸脱し、部分的または完全なシステム障害と同様に効率が低下する可能性がある。
本稿では,ディープニューラルネットワーク,特に長期記憶ネットワークを用いた最先端異常検出に関する調査を行う。
調査したアプローチは、アプリケーションシナリオ、データ、異常タイプ、およびさらなるメトリクスに基づいて評価される。
論文 参考訳（メタデータ） (2021-05-28T13:24:40Z) - Consistency of mechanistic causal discovery in continuous-time using
Neural ODEs [85.7910042199734]
ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。
本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-05-06T08:48:02Z) - Anomaly detection using principles of human perception [0.0]
簡易かつリアルタイムかつパラメータフリーな教師なし異常検出アルゴリズムを開発した。
考えは、異常は、データの大半によって行われた特定のグループに関して予期しない観察であると仮定することです。
論文 参考訳（メタデータ） (2021-03-23T05:46:27Z) - Towards Interaction Detection Using Topological Analysis on Neural
Networks [55.74562391439507]
ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。
本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。
PID(Persistence Interaction Detection)アルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-10-25T02:15:24Z) - Vulnerability Under Adversarial Machine Learning: Bias or Variance? [77.30759061082085]
本研究では,機械学習が訓練された深層ニューラルネットワークのバイアスと分散に与える影響について検討する。
我々の分析は、ディープニューラルネットワークが対向的摂動下で性能が劣っている理由に光を当てている。
本稿では,計算処理の複雑さをよく知られた機械学習手法よりも低く抑えた,新しい逆機械学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-08-01T00:58:54Z) - Bayesian Neural Networks [0.0]
ニューラルネットワークによる予測におけるエラーを原理的に得る方法を示し、これらのエラーを特徴付ける2つの方法を提案する。
さらに、これらの2つのメソッドが実際に実施される際に、重大な落とし穴を持つ方法についても説明します。
論文 参考訳（メタデータ） (2020-06-02T09:43:00Z)
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。