論文の概要: Role of Data Augmentation in Unsupervised Anomaly Detection

• arxiv url: http://arxiv.org/abs/2208.07734v1
• Date: Tue, 16 Aug 2022 13:09:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-17 12:04:55.401780
• Title: Role of Data Augmentation in Unsupervised Anomaly Detection
• Title（参考訳）: 教師なし異常検出におけるデータ拡張の役割
• Authors: Jaemin Yoo, Tiancheng Zhao, and Leman Akoglu
• Abstract要約: 自己教師付き学習(SSL)は、現実のタスクの監視信号を作成するための有望な代替手段として登場した。 近年の研究では、増強のタイプがパフォーマンスに重大な影響を与えることが報告されている。
• 参考スコア（独自算出の注目度）: 30.409069707518466
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Self-supervised learning (SSL) has emerged as a promising alternative to create supervisory signals to real-world tasks, avoiding extensive cost of careful labeling. SSL is particularly attractive for unsupervised problems such as anomaly detection (AD), where labeled anomalies are costly to secure, difficult to simulate, or even nonexistent. A large catalog of augmentation functions have been used for SSL-based AD (SSAD), and recent works have observed that the type of augmentation has a significant impact on performance. Motivated by those, this work sets out to put SSAD under a larger lens and carefully investigate the role of data augmentation in AD through extensive experiments on many testbeds. Our main finding is that self-supervision acts as a yet-another model hyperparameter, and should be chosen carefully in regards to the nature of true anomalies in the data. That is, the alignment between the augmentation and the underlying anomaly-generating mechanism is the key for the success of SSAD, and in the lack thereof, SSL can even impair (!) detection performance. Moving beyond proposing another SSAD method, our study contributes to the better understanding of this growing area and lays out new directions for future research.
• Abstract（参考訳）: 自己教師付き学習(SSL)は、現実世界のタスクの監視信号を作成するための有望な代替手段として現れ、注意深いラベル付けのコストを回避している。 sslは、アノマリー検出(ad: anomaly detection)のような教師なし問題において特に魅力的である。 sslベースのad(ssad)では、拡張関数の大規模なカタログが使用されており、最近の研究では、拡張関数のタイプがパフォーマンスに大きな影響を与えることが示されている。 これらに動機づけられたこの研究は、SSADをより大きなレンズの下に置き、多くのテストベッドでの広範な実験を通じて、ADにおけるデータ増強の役割を慎重に調査することを目的としている。 我々の主な発見は、自己スーパービジョンは、まだ別のモデルハイパーパラメータとして機能し、データの真の異常の性質に関して慎重に選択されるべきである。 すなわち、拡張と基盤となる異常発生機構の整合性は、SSADの成功の鍵であり、その欠如によりSSLは(!)検出性能を損なうことさえある。 新たなssad手法の提案以外にも,この成長領域の理解を深め,今後の研究に向けた新たな方向性を提示する。

関連論文リスト

• A Survey of the Self Supervised Learning Mechanisms for Vision Transformers [5.152455218955949]
  視覚タスクにおける自己教師あり学習(SSL)の適用は注目されている。 SSL手法を体系的に分類する包括的分類法を開発した。 SSLの背後にあるモチベーションについて議論し、人気のある事前トレーニングタスクをレビューし、この分野の課題と進歩を強調します。
  論文  参考訳（メタデータ） (2024-08-30T07:38:28Z)
• End-To-End Self-tuning Self-supervised Time Series Anomaly Detection [32.746688248671084]
  時系列異常検出(TSAD)は、環境センサ、産業タイプ、患者バイオマーカーなど、多くの応用を見出す。 TSADの2倍の課題は、様々な種類の時系列異常を検出できる汎用的で教師なしのモデルである。 TSAP for TSA "on autoPilot"を導入します。
  論文  参考訳（メタデータ） (2024-04-03T16:57:26Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• Model Stealing Attack against Graph Classification with Authenticity, Uncertainty and Diversity [80.16488817177182]
  GNNは、クエリ許可を通じてターゲットモデルを複製するための悪行であるモデル盗難攻撃に対して脆弱である。 異なるシナリオに対応するために,3つのモデルステルス攻撃を導入する。
  論文  参考訳（メタデータ） (2023-12-18T05:42:31Z)
• Self-Supervision for Tackling Unsupervised Anomaly Detection: Pitfalls and Opportunities [50.231837687221685]
  自己教師付き学習(SSL)は、機械学習とその多くの現実世界のアプリケーションに変化をもたらした。 非教師なし異常検出(AD)は、自己生成性擬似異常によりSSLにも乗じている。
  論文  参考訳（メタデータ） (2023-08-28T07:55:01Z)
• DSV: An Alignment Validation Loss for Self-supervised Outlier Model Selection [23.253175824487652]
  自己教師付き学習(SSL)は、内部の監視信号を生成することで様々な問題を解決するのに有効であることが証明されている。 真のラベルを取得するための高いコストに直面している教師なしの異常検出は、SSLの大きな恩恵を受けることができる領域である。 DSV(Discordance and Separability Validation)は,有効拡張HPを用いた高性能検出モデルを選択するための教師なし検証損失である。
  論文  参考訳（メタデータ） (2023-07-13T02:45:29Z)
• End-to-End Augmentation Hyperparameter Tuning for Self-Supervised Anomaly Detection [21.97856757574274]
  そこで我々はST-SSAD(Self-Tuning Self-Supervised Anomaly Detection)を導入する。 チューニングの強化は、現在のプラクティスよりも大きなパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-06-21T05:48:51Z)
• 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)
• Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
  SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。 ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2021-03-08T10:56:38Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。