論文の概要: Explicit Boundary Guided Semi-Push-Pull Contrastive Learning for
Supervised Anomaly Detection
- arxiv url: http://arxiv.org/abs/2207.01463v2
- Date: Fri, 7 Apr 2023 11:31:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-10 15:20:47.165415
- Title: Explicit Boundary Guided Semi-Push-Pull Contrastive Learning for
Supervised Anomaly Detection
- Title（参考訳）: 教師付き異常検出のための明示的境界案内半パルスコントラスト学習
- Authors: Xincheng Yao and Ruoqi Li and Jing Zhang and Jun Sun and Chongyang
Zhang
- Abstract要約: ほとんどの異常検出(AD)モデルは、教師なしの方法で通常のサンプルのみを使用して学習される。
そこで本研究では,新しい境界案内型半プッシュプルコントラスト学習機構を提案する。
- 参考スコア（独自算出の注目度）: 14.27685411466415
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most anomaly detection (AD) models are learned using only normal samples in
an unsupervised way, which may result in ambiguous decision boundary and
insufficient discriminability. In fact, a few anomaly samples are often
available in real-world applications, the valuable knowledge of known anomalies
should also be effectively exploited. However, utilizing a few known anomalies
during training may cause another issue that the model may be biased by those
known anomalies and fail to generalize to unseen anomalies. In this paper, we
tackle supervised anomaly detection, i.e., we learn AD models using a few
available anomalies with the objective to detect both the seen and unseen
anomalies. We propose a novel explicit boundary guided semi-push-pull
contrastive learning mechanism, which can enhance model's discriminability
while mitigating the bias issue. Our approach is based on two core designs:
First, we find an explicit and compact separating boundary as the guidance for
further feature learning. As the boundary only relies on the normal feature
distribution, the bias problem caused by a few known anomalies can be
alleviated. Second, a boundary guided semi-push-pull loss is developed to only
pull the normal features together while pushing the abnormal features apart
from the separating boundary beyond a certain margin region. In this way, our
model can form a more explicit and discriminative decision boundary to
distinguish known and also unseen anomalies from normal samples more
effectively. Code will be available at https://github.com/xcyao00/BGAD.
- Abstract（参考訳）: ほとんどの異常検出(AD)モデルは、教師なしの方法で通常のサンプルのみを使用して学習され、不明瞭な決定境界と識別性に欠ける可能性がある。
実際、いくつかの異常サンプルは現実世界のアプリケーションでしばしば利用可能であり、既知の異常に関する貴重な知識も効果的に活用されるべきである。
しかし、トレーニング中にいくつかの既知の異常を利用すると、モデルが既知の異常に偏り、見当たらない異常に一般化できないという別の問題を引き起こす可能性がある。
本稿では, 監視型異常検出, すなわち, 可視・不視両方の異常を検出するために, 利用可能ないくつかの異常を用いてADモデルを学習する。
本稿では,バイアス問題を緩和しつつ,モデルの識別性を向上する新しい境界案内型半プッシュ・プルコントラスト学習機構を提案する。
提案手法は2つのコア設計に基づいている。まず,特徴学習のガイダンスとして,明示的でコンパクトな分離境界を見出す。
境界は通常の特徴分布にのみ依存するため、いくつかの既知の異常に起因するバイアス問題を緩和することができる。
第2に, 境界ガイド付きセミプッシュプル損失は, 正常な特徴のみを引っぱりながら, 異常な特徴を分離境界から特定の辺縁領域を超えて押し付けるように開発された。
このようにして、我々のモデルはより明確で差別的な決定境界を形成し、既知の異常や見えない異常を通常のサンプルとより効果的に区別することができる。
コードはhttps://github.com/xcyao00/bgadで入手できる。
関連論文リスト
- 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) - Anomaly Heterogeneity Learning for Open-set Supervised Anomaly Detection [26.08881235151695]
オープンセット型教師付き異常検出(OSAD)は、トレーニング中に見られたいくつかの異常クラスのサンプルを利用して、見えない異常を検出することを目的としている。
異種不均一分布の多様集合をシミュレートする新しいアプローチ,すなわちAHL(Anomaly Heterogeneity Learning)を導入する。
AHL can 1) は, 目に見える異常や見えない異常の検出において, 最先端のOSADモデルを大幅に強化し, 2) 新たな領域の異常を効果的に一般化することを示した。
論文 参考訳（メタデータ） (2023-10-19T14:47:11Z) - SaliencyCut: Augmenting Plausible Anomalies for Anomaly Detection [24.43321988051129]
そこで本稿では,SaliencyCutという新たなデータ拡張手法を提案する。
次に、各サンプルから微細な異常特徴を抽出し評価するために、異常学習ヘッドにパッチワイド残余モジュールを新規に設計する。
論文 参考訳（メタデータ） (2023-06-14T08:55:36Z) - AD-MERCS: Modeling Normality and Abnormality in Unsupervised Anomaly
Detection [12.070251470948772]
本稿では,AD-MERCSについて述べる。
AD-MERCSは、パターンが存在するインスタンス空間の複数の部分空間を特定し、これらのパターンから逸脱するインスタンスを特徴付ける条件を特定する。
実験により、この正規性と異常の両方のモデリングにより、幅広い種類の異常に対して異常検出器が動作できることが示されている。
論文 参考訳（メタデータ） (2023-05-22T12:09:14Z) - Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。
PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。
異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
論文 参考訳（メタデータ） (2022-12-05T05:03:46Z) - Catching Both Gray and Black Swans: Open-set Supervised Anomaly
Detection [90.32910087103744]
ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。
これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。
トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。
本稿では,オープンセット型教師付き異常検出に取り組む。
論文 参考訳（メタデータ） (2022-03-28T05:21:37Z) - Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。
提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。
我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文 参考訳（メタデータ） (2021-08-01T14:33:17Z) - Toward Deep Supervised Anomaly Detection: Reinforcement Learning from
Partially Labeled Anomaly Data [150.9270911031327]
本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。
既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。
そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2020-09-15T03:05:39Z) - Deep Weakly-supervised Anomaly Detection [118.55172352231381]
ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。
PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。
12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
論文 参考訳（メタデータ） (2019-10-30T00:40:25Z)
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。