論文の概要: ADBench: Anomaly Detection Benchmark
- arxiv url: http://arxiv.org/abs/2206.09426v1
- Date: Sun, 19 Jun 2022 15:02:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-22 14:00:43.039305
- Title: ADBench: Anomaly Detection Benchmark
- Title(参考訳): ADBench: 異常検出ベンチマーク
- Authors: Songqiao Han, Xiyang Hu, Hailiang Huang, Mingqi Jiang, Yue Zhao
- Abstract要約: ADBenchと名付けられた55のベンチマークデータセット上で、30のアルゴリズムで最も包括的な異常検出ベンチマークを実行する。
我々の広範囲な実験(合計93,654件)は、監視と異常タイプの役割に関する意味ある洞察を特定し、アルゴリズムの選択と設計における研究者の今後の方向性を解き放つ。
- 参考スコア(独自算出の注目度): 6.242055777156649
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Given a long list of anomaly detection algorithms developed in the last few
decades, how do they perform with regard to (i) varying levels of supervision,
(ii) different types of anomalies, and (iii) noisy and corrupted data? In this
work, we answer these key questions by conducting (to our best knowledge) the
most comprehensive anomaly detection benchmark with 30 algorithms on 55
benchmark datasets, named ADBench. Our extensive experiments (93,654 in total)
identify meaningful insights into the role of supervision and anomaly types,
and unlock future directions for researchers in algorithm selection and design.
With ADBench, researchers can easily conduct comprehensive and fair evaluations
for newly proposed methods on the datasets (including our contributed ones from
natural language and computer vision domains) against the existing baselines.
To foster accessibility and reproducibility, we fully open-source ADBench and
the corresponding results.
- Abstract(参考訳): 過去数十年に開発された異常検出アルゴリズムの長いリストを考えると、それらはどのように振る舞うのか?
(i)様々なレベルの監督。
(ii)異なる種類の異常、
(iii)騒がしく、腐敗したデータ?
本研究では、55のベンチマークデータセット上で30のアルゴリズムによる最も包括的な異常検出ベンチマークをadbenchという名で実施し、これらの重要な質問に答える。
我々の広範囲な実験(合計93,654件)は、監視と異常タイプの役割に関する意味ある洞察を特定し、アルゴリズムの選択と設計における研究者の今後の方向性を解き放つ。
ADBenchを使えば、研究者は既存のベースラインに対して、データセット(自然言語やコンピュータビジョンドメインからの貢献者を含む)に新たに提案された手法について、包括的で公平な評価を容易に行えます。
アクセシビリティと再現性を向上するため,ADBenchとそれに対応する結果をオープンソース化した。
関連論文リスト
- Can Tree Based Approaches Surpass Deep Learning in Anomaly Detection? A
Benchmarking Study [0.6291443816903801]
本稿では,機械学習に基づく異常検出アルゴリズムの多種多様さを評価する。
本論文は, 種々の異常検出アルゴリズムの非バイアス比較を行うことにより, 顕著に寄与する。
論文 参考訳(メタデータ) (2024-02-11T19:12:51Z) - Unraveling the "Anomaly" in Time Series Anomaly Detection: A
Self-supervised Tri-domain Solution [89.16750999704969]
異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。
自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。
自己教師型3領域異常検出器(TriAD)を提案する。
論文 参考訳(メタデータ) (2023-11-19T05:37:18Z) - Weakly Supervised Anomaly Detection: A Survey [75.26180038443462]
異常検出(AD)は、さまざまなアプリケーションによる機械学習において重要なタスクである。
弱教師付き異常検出法(WSAD)の総合的な調査を行った。
各設定に対して、正式な定義、鍵アルゴリズム、潜在的な将来の方向性を提供する。
論文 参考訳(メタデータ) (2023-02-09T10:27:21Z) - IM-IAD: Industrial Image Anomaly Detection Benchmark in Manufacturing [88.35145788575348]
画像異常検出(英: Image Anomaly Detection、IAD)は、産業用コンピュータビジョンの課題である。
統一IMベンチマークの欠如は、現実世界のアプリケーションにおけるIADメソッドの開発と利用を妨げる。
7つの主要なデータセットに19のアルゴリズムを含む包括的画像異常検出ベンチマーク(IM-IAD)を構築した。
論文 参考訳(メタデータ) (2023-01-31T01:24:45Z) - Deep Anomaly Detection and Search via Reinforcement Learning [22.005663849044772]
本研究では,エクスプロイトと探索のバランスをとるために,DADS(Deep Anomaly Detection and Search)を提案する。
トレーニングプロセス中、DADSは階層的なデータセットを持つ可能性のある異常を検索する。
その結果,DADSはラベルのないデータから異常を効率よく正確に検索し,そこから学習できることがわかった。
論文 参考訳(メタデータ) (2022-08-31T13:03:33Z) - Data-Efficient and Interpretable Tabular Anomaly Detection [54.15249463477813]
本稿では,ホワイトボックスモデルクラスである一般化付加モデルを適用し,異常を検出する新しいフレームワークを提案する。
さらに、提案フレームワークであるDIADは、ラベル付きデータの少量を組み込んで、半教師付き設定における異常検出性能をさらに向上させることができる。
論文 参考訳(メタデータ) (2022-03-03T22:02:56Z) - Multimedia Datasets for Anomaly Detection: A Survey [0.0]
本稿では,様々なビデオ,音声,および異常検出に基づく音声・視覚データセットに関する包括的調査を行う。
異常検出に基づくマルチメディア公開データセットの包括的な比較と分析の欠如に対処することを目的としている。
論文 参考訳(メタデータ) (2021-12-10T09:32:21Z) - Enhancing Robustness of On-line Learning Models on Highly Noisy Data [7.812139470551903]
新たに設計されたアンサンブル予測を備えたRobust Anomaly Detector(RAD)の2層オンラインデータ選択フレームワークを拡張します。
RADは、異常検出の精度を確実に改善し、IoTデバイス攻撃の98.95%、クラウドタスク障害の85.03%、顔認識の77.51%まで到達することができる。
論文 参考訳(メタデータ) (2021-03-19T14:13:16Z) - FairCVtest Demo: Understanding Bias in Multimodal Learning with a
Testbed in Fair Automatic Recruitment [79.23531577235887]
このデモは、非構造化データから機密情報を抽出する採用ツールの背後にある人工知能(AI)の能力を示しています。
また、このデモには差別認識学習のための新しいアルゴリズムが含まれており、マルチモーダルAIフレームワークの機密情報を排除している。
論文 参考訳(メタデータ) (2020-09-12T17:45:09Z) - Bias in Multimodal AI: Testbed for Fair Automatic Recruitment [73.85525896663371]
異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
我々は、性別や人種の偏りを意識的に評価したマルチモーダルな合成プロファイルを用いて、自動求人アルゴリズムを訓練する。
我々の方法論と結果は、一般により公平なAIベースのツール、特により公平な自動採用システムを生成する方法を示している。
論文 参考訳(メタデータ) (2020-04-15T15:58:05Z)
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。