論文の概要: What do we learn? Debunking the Myth of Unsupervised Outlier Detection

• arxiv url: http://arxiv.org/abs/2206.03698v1
• Date: Wed, 8 Jun 2022 06:36:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-09 14:02:59.833554
• Title: What do we learn? Debunking the Myth of Unsupervised Outlier Detection
• Title（参考訳）: 何を学びますか。 教師なし外乱検出の神話を解き明かす
• Authors: Cosmin I. Bercea, Daniel Rueckert, Julia A. Schnabel
• Abstract要約: 自動エンコーダが2つの異なるタスクを解く際に実際に何を学ぶかを検討する。 現状のSOTA (State-of-the-art) AEsは潜伏多様体を制約できず、異常パターンの復元ができないか、潜伏分布から正確に入力を復元できないかを示す。 本稿では,新しい変形可能なオートエンコーダ(AEMorphus)を提案する。
• 参考スコア（独自算出の注目度）: 9.599183039166284
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Even though auto-encoders (AEs) have the desirable property of learning compact representations without labels and have been widely applied to out-of-distribution (OoD) detection, they are generally still poorly understood and are used incorrectly in detecting outliers where the normal and abnormal distributions are strongly overlapping. In general, the learned manifold is assumed to contain key information that is only important for describing samples within the training distribution, and that the reconstruction of outliers leads to high residual errors. However, recent work suggests that AEs are likely to be even better at reconstructing some types of OoD samples. In this work, we challenge this assumption and investigate what auto-encoders actually learn when they are posed to solve two different tasks. First, we propose two metrics based on the Fr\'echet inception distance (FID) and confidence scores of a trained classifier to assess whether AEs can learn the training distribution and reliably recognize samples from other domains. Second, we investigate whether AEs are able to synthesize normal images from samples with abnormal regions, on a more challenging lung pathology detection task. We have found that state-of-the-art (SOTA) AEs are either unable to constrain the latent manifold and allow reconstruction of abnormal patterns, or they are failing to accurately restore the inputs from their latent distribution, resulting in blurred or misaligned reconstructions. We propose novel deformable auto-encoders (MorphAEus) to learn perceptually aware global image priors and locally adapt their morphometry based on estimated dense deformation fields. We demonstrate superior performance over unsupervised methods in detecting OoD and pathology.
• Abstract（参考訳）: 自動エンコーダ(aes)はラベル無しでコンパクト表現を学習する望ましい性質を持ち、分布外検出(ood)にも広く適用されているが、一般にはよく理解されておらず、正規分布と異常分布が重なり合っている外れ値を検出するのに不正確である。 一般に、学習多様体は、トレーニング分布内のサンプルを記述するのにのみ重要であるキー情報を含み、異常値の再構成は高い残差誤差をもたらすと仮定される。 しかし、最近の研究は、AEsがある種のOoDサンプルの再構築にさらに優れていることを示唆している。 本研究では,この仮定に挑戦し,2つの異なる課題を解決するために,オートエンコーダが実際に何を学習するかを検討する。 まず、トレーニング分類器のFr'echet開始距離(FID)と信頼性スコアに基づいて、AEsがトレーニング分布を学習し、他のドメインからのサンプルを確実に認識できるかどうかを評価する。 第2に,AEsはより困難な肺病理診断タスクにおいて,異常領域のサンプルから正常な画像を合成できるかどうかを検討する。 最先端のsof-the-art (sota) aesは潜伏多様体を拘束できず、異常なパターンを再構成できないか、あるいは潜伏分布から入力を正確に復元できないか、あるいは不一致または不一致の再構成をもたらすことが判明した。 提案手法は,大域的画像の事前認識を学習し,推定された密度変形場に基づいてその形態を局所的に適応させる新しい変形可能なオートエンコーダ(MorphAEus)を提案する。 OoDおよび病理診断における教師なし手法よりも優れた性能を示す。

関連論文リスト

• Effort: Efficient Orthogonal Modeling for Generalizable AI-Generated Image Detection [66.16595174895802]
  既存のAI生成画像(AIGI)検出手法は、しばしば限定的な一般化性能に悩まされる。 本稿では、AIGI検出において、これまで見過ごされてきた重要な非対称性現象を同定する。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [88.34095233600719]
  FAPromptは、より正確なZSADのためにきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。 画像レベルおよび画素レベルのZSADタスクにおいて、最先端の手法を少なくとも3%-5%のAUC/APで大幅に上回っている。
  論文  参考訳（メタデータ） (2024-10-14T08:41:31Z)
• Rethinking Autoencoders for Medical Anomaly Detection from A Theoretical Perspective [27.6598870874816]
  本研究は, 異常検出におけるAEを用いた再建法の理論的基礎を提供する。 情報理論を活用することにより,異常検出におけるAE改善の鍵は,潜伏ベクトルの情報エントロピーの最小化にあることを明らかにした。 これは、異常検出のためのAEの原理と設計哲学を理論的に解明する最初の試みである。
  論文  参考訳（メタデータ） (2024-03-14T11:51:01Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Synthetic Pseudo Anomalies for Unsupervised Video Anomaly Detection: A Simple yet Efficient Framework based on Masked Autoencoder [1.9511777443446219]
  本稿では,ビデオ異常検出のための簡易かつ効率的なフレームワークを提案する。 擬似異常サンプルは、余分なデータ処理をせずにランダムマスクトークンを埋め込み、正規データのみから合成する。 また、正規性とそれに対応する擬似異常データから正規知識をよりよく学習するよう、AEsに促す正規性整合性訓練戦略を提案する。
  論文  参考訳（メタデータ） (2023-03-09T08:33:38Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Probabilistic Robust Autoencoders for Anomaly Detection [7.362415721170984]
  確率ロバストオートエンコーダ(PRAE)と呼ばれる新しいタイプのオートエンコーダを提案する。 PRAEは、同時に外れ値を取り除き、下降値サンプルの低次元表現を識別するように設計されている。 PRAEの解法がRAEの解と等価であることを証明し、PRAEが異常検出の最先端手法と同等であることを示す。
  論文  参考訳（メタデータ） (2021-10-01T15:46:38Z)
• Manifolds for Unsupervised Visual Anomaly Detection [79.22051549519989]
  トレーニングで必ずしも異常に遭遇しない教師なしの学習方法は、非常に有用です。 ジャイロプレーン層を用いた立体投影による超球形変分オートエンコーダ(VAE)を開発した。 工業用AIシナリオにおける実世界の実用性を実証し、精密製造および検査における視覚異常ベンチマークの最先端結果を示す。
  論文  参考訳（メタデータ） (2020-06-19T20:41:58Z)
• 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。