論文の概要: A Survey on Explainable Anomaly Detection

• arxiv url: http://arxiv.org/abs/2210.06959v2
• Date: Tue, 11 Jul 2023 11:42:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-12 19:19:11.867361
• Title: A Survey on Explainable Anomaly Detection
• Title（参考訳）: 説明可能な異常検出に関する調査
• Authors: Zhong Li, Yuxuan Zhu, Matthijs van Leeuwen
• Abstract要約: この研究は、最先端の説明可能な異常検出技術に関する包括的かつ構造化された調査を提供する。 本稿では,各説明可能な異常検出手法を特徴付ける主要な側面に基づく分類法を提案する。
• 参考スコア（独自算出の注目度）: 13.303115111810266
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In the past two decades, most research on anomaly detection has focused on improving the accuracy of the detection, while largely ignoring the explainability of the corresponding methods and thus leaving the explanation of outcomes to practitioners. As anomaly detection algorithms are increasingly used in safety-critical domains, providing explanations for the high-stakes decisions made in those domains has become an ethical and regulatory requirement. Therefore, this work provides a comprehensive and structured survey on state-of-the-art explainable anomaly detection techniques. We propose a taxonomy based on the main aspects that characterize each explainable anomaly detection technique, aiming to help practitioners and researchers find the explainable anomaly detection method that best suits their needs.
• Abstract（参考訳）: 過去20年間、異常検出に関するほとんどの研究は、検出の精度の向上に焦点を合わせ、対応する方法の説明可能性を無視し、実践者に結果の説明を残してきた。 安全クリティカルなドメインでは、異常検出アルゴリズムがますます使われているため、これらのドメインでなされる高リスク決定の説明が倫理的かつ規制的な要件となっている。 そこで本研究では,最先端の異常検出技術に関する包括的かつ構造化された調査を行う。 そこで本研究では,各診断手法を特徴付ける主要な側面に基づく分類法を提案し,そのニーズに最も適した診断手法を実践者や研究者が発見することを目的とする。

関連論文リスト

• Unsupervised Anomaly Detection Using Diffusion Trend Analysis [48.19821513256158]
  本稿では, 劣化度に応じて, 復元傾向の分析により異常を検出する手法を提案する。 提案手法は,産業用異常検出のためのオープンデータセット上で検証される。
  論文  参考訳（メタデータ） (2024-07-12T01:50:07Z)
• Anomaly Detection in Graph Structured Data: A Survey [0.46040036610482665]
  本稿では,グラフデータにおける異常検出手法の概要を概観する。 本稿では,最先端の異常検出手法を分類する新しい分類法を提案する。
  論文  参考訳（メタデータ） (2024-05-10T01:30:25Z)
• Explainable Anomaly Detection in Images and Videos: A Survey [49.07140708026425]
  画像やビデオを含む視覚データの異常検出とローカライゼーションは、機械学習のアカデミックと実世界のシナリオの適用において非常に重要である。 近年の視覚異常検出技術の急速な発展にもかかわらず、これらのブラックボックスモデルの解釈や、なぜ異常を区別できるのかの合理的な説明は乏しい。 本稿では,説明可能な視覚異常検出法に焦点をあてた最初の調査を行う。
  論文  参考訳（メタデータ） (2023-02-13T20:17:41Z)
• Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
  時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。 時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。 本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
  論文  参考訳（メタデータ） (2022-11-09T22:40:22Z)
• Functional Anomaly Detection: a Benchmark Study [4.444788548423704]
  異常検出は、非常に高い周波数でサンプリングされた測定に依存することができる。 本研究の目的は, 実データセット上の機能的設定において, 異常検出のための最近の手法の性能について検討することである。
  論文  参考訳（メタデータ） (2022-01-13T18:20:32Z)
• Applications of Generative Adversarial Networks in Anomaly Detection: A Systematic Literature Review [28.752089275446462]
  GAN(Generative Adversarial Network)は異常検出研究において大きな注目を集めている。 本稿では,GANの異常検出への応用について,系統的な文献レビューを行う。
  論文  参考訳（メタデータ） (2021-10-22T21:48:48Z)
• ESAD: End-to-end Deep Semi-supervised Anomaly Detection [85.81138474858197]
  正規データと異常データの間のKL偏差を計測する新たな目的関数を提案する。 提案手法は,複数のベンチマークデータセットの最先端性能を著しく上回っている。
  論文  参考訳（メタデータ） (2020-12-09T08:16:35Z)
• Dependency-based Anomaly Detection: a General Framework and Comprehensive Evaluation [33.31923133201812]
  本稿では,依存性に基づく異常検出(DepAD)を提案する。 DepADは教師なしの異常検出を教師付き特徴選択と予測タスクとして再設定する。 2つのDepADアルゴリズムは、幅広いデータセットを扱うオールラウンドと優れたパフォーマーとして登場します。
  論文  参考訳（メタデータ） (2020-11-13T01:39:44Z)
• Deep Learning for Anomaly Detection: A Review [150.9270911031327]
  本稿では,3つの高レベルカテゴリと11の細粒度カテゴリの進歩を網羅した包括的分類法による深部異常検出の研究について調査する。 我々は、それらの重要な直観、客観的機能、基礎となる仮定、利点とデメリットをレビューし、上記の課題にどのように対処するかについて議論する。
  論文  参考訳（メタデータ） (2020-07-06T02:21:16Z)
• Anomalous Example Detection in Deep Learning: A Survey [98.2295889723002]
  本調査は,ディープラーニングアプリケーションにおける異常検出の研究について,構造化された包括的概要を提供する。 既存の技術に対する分類法を,その基礎となる前提と採用アプローチに基づいて提案する。 本稿では,DLシステムに異常検出技術を適用しながら未解決の研究課題を取り上げ,今後の課題について述べる。
  論文  参考訳（メタデータ） (2020-03-16T02:47:23Z)

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。