論文の概要: Concept Drift Challenge in Multimedia Anomaly Detection: A Case Study with Facial Datasets

• arxiv url: http://arxiv.org/abs/2207.13430v1
• Date: Wed, 27 Jul 2022 10:18:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-28 13:34:20.332058
• Title: Concept Drift Challenge in Multimedia Anomaly Detection: A Case Study with Facial Datasets
• Title（参考訳）: マルチメディア異常検出におけるコンセプトドリフトチャレンジ-顔データを用いた事例
• Authors: Pratibha Kumari, Priyankar Choudhary, Pradeep K. Atrey, and Mukesh Saini
• Abstract要約: マルチメディアデータセットにおける異常検出は広く研究されている分野である。 データにおけるコンセプトドリフトチャレンジは、ほとんどの異常検出フレームワークによって無視または不十分に扱われている。 マルチメディアデータにおける異常検出のための適応ガウス混合モデル (AGMM) に基づくフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.9198548406564604
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection in multimedia datasets is a widely studied area. Yet, the concept drift challenge in data has been ignored or poorly handled by the majority of the anomaly detection frameworks. The state-of-the-art approaches assume that the data distribution at training and deployment time will be the same. However, due to various real-life environmental factors, the data may encounter drift in its distribution or can drift from one class to another in the late future. Thus, a one-time trained model might not perform adequately. In this paper, we systematically investigate the effect of concept drift on various detection models and propose a modified Adaptive Gaussian Mixture Model (AGMM) based framework for anomaly detection in multimedia data. In contrast to the baseline AGMM, the proposed extension of AGMM remembers the past for a longer period in order to handle the drift better. Extensive experimental analysis shows that the proposed model better handles the drift in data as compared with the baseline AGMM. Further, to facilitate research and comparison with the proposed framework, we contribute three multimedia datasets constituting faces as samples. The face samples of individuals correspond to the age difference of more than ten years to incorporate a longer temporal context.
• Abstract（参考訳）: マルチメディアデータセットにおける異常検出は広く研究されている分野である。 しかし、データにおけるドリフトチャレンジの概念は、多くの異常検出フレームワークによって無視され、扱いが悪かった。 最先端のアプローチでは、トレーニングとデプロイメント時のデータ分散は同じだと仮定している。 しかし, 実生活環境要因が多様であるため, データは分布のドリフトに遭遇するか, 将来あるクラスから別のクラスにドリフトする可能性がある。 したがって、一度訓練されたモデルは適切に機能しないかもしれない。 本稿では,様々な検出モデルに対する概念ドリフトの効果を体系的に検討し,マルチメディアデータの異常検出のための改良型適応ガウス混合モデル(agmm)を提案する。 AGMMのベースラインとは対照的に、AGMMの拡張提案では、ドリフトをよりうまく扱うために、過去を長く記憶している。 大規模な実験分析の結果,提案手法はベースライン AGMM と比較してデータのドリフトをうまく処理できることがわかった。 さらに,提案フレームワークとの比較研究を容易にするために,顔を構成する3つのマルチメディアデータセットをサンプルとして提供した。 個人の顔のサンプルは、より長い時間的文脈を取り込むために10年以上の年齢差に対応する。

関連論文リスト

• A Dataset for Evaluating Online Anomaly Detection Approaches for Discrete Multivariate Time Series [0.01874930567916036]
  現在の公開データセットは小さすぎるため、多様ではない。 我々は、最先端のシミュレーションツールによって生成される多種多様な、広範囲で、非自明なデータセットという解決策を提案する。 トレーニングとテストサブセットが汚染された、クリーンなバージョンで提供されるように、データセットのさまざまなバージョンを利用可能にしています。 予想通り、ベースライン実験では、データセットの半教師付きバージョンでトレーニングされたアプローチが、教師なしバージョンよりも優れていた。
  論文  参考訳（メタデータ） (2024-11-21T09:03:12Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
  本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
  不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。 マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。 提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
  論文  参考訳（メタデータ） (2023-08-28T18:48:34Z)
• Ensemble Modeling for Multimodal Visual Action Recognition [50.38638300332429]
  マルチモーダル動作認識のためのアンサンブルモデリング手法を提案する。 我々は,MECCANO[21]データセットの長期分布を処理するために,焦点損失の変種を用いて,個別のモダリティモデルを個別に訓練する。
  論文  参考訳（メタデータ） (2023-08-10T08:43:20Z)
• A VAE Approach to Sample Multivariate Extremes [6.548734807475054]
  本稿では,重み付き分布をサンプリングするための変分オートエンコーダ(VAE)アプローチについて述べる。 本研究は,ドナウ川流域における人工的データセットと実測値との関係について述べる。 テストデータセットの標準VAEよりも優れているだけでなく、競合するEVTベースの生成手法との比較も提供する。
  論文  参考訳（メタデータ） (2023-06-19T14:53:40Z)
• Context-Aware Drift Detection [0.0]
  均質性の2サンプル試験は、既存のドリフト検出手法が構築される基礎となる。 条件分布処理効果の2サンプル試験の基礎の上に構築した,より一般的なドリフト検出フレームワークを開発した。
  論文  参考訳（メタデータ） (2022-03-16T14:23:02Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Manifold Topology Divergence: a Framework for Comparing Data Manifolds [109.0784952256104]
  本研究では,深部生成モデルの評価を目的としたデータ多様体の比較フレームワークを開発する。 クロスバーコードに基づき,manifold Topology Divergence score(MTop-Divergence)を導入する。 MTop-Divergenceは,様々なモードドロップ,モード内崩壊,モード発明,画像乱れを正確に検出する。
  論文  参考訳（メタデータ） (2021-06-08T00:30:43Z)
• Multivariate Time-series Anomaly Detection via Graph Attention Network [27.12694738711663]
  多変量時系列の異常検出は、データマイニング研究と産業応用の両方において非常に重要である。 1つの大きな制限は、異なる時系列間の関係を明示的に捉えないことである。 この問題に対処するために,多変量時系列異常検出のための新しい自己教師型フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-04T07:46:19Z)
• Interpretable Deep Representation Learning from Temporal Multi-view Data [4.2179426073904995]
  変動型オートエンコーダとリカレントニューラルネットワークに基づく生成モデルを提案し,多視点時間データに対する潜時ダイナミクスを推定する。 提案モデルを用いて,モデルの有効性と解釈可能性を示す3つのデータセットを解析する。
  論文  参考訳（メタデータ） (2020-05-11T15:59:06Z)
• A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
  イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。 基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T23:10:50Z)

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。