論文の概要: On the Connection of Generative Models and Discriminative Models for
Anomaly Detection
- arxiv url: http://arxiv.org/abs/2211.08910v1
- Date: Wed, 16 Nov 2022 13:42:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 13:42:31.019415
- Title: On the Connection of Generative Models and Discriminative Models for
Anomaly Detection
- Title(参考訳): 異常検出のための生成モデルと識別モデルの接続について
- Authors: Jingxuan Pang and Chunguang Li
- Abstract要約: 本稿では,GM ベースの AD 手法の理想的な性能に関する新しい視点を提案する。
GMMに基づくAD法における暗黙の仮定を回避するために、差別的アイデアをGMMからADタスクへ統合することを提案する。
- 参考スコア(独自算出の注目度): 3.9072109732275084
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomaly detection (AD) has attracted considerable attention in both academia
and industry. Due to the lack of anomalous data in many practical cases, AD is
usually solved by first modeling the normal data pattern and then determining
if data fit this model. Generative models (GMs) seem a natural tool to achieve
this purpose, which learn the normal data distribution and estimate it using a
probability density function (PDF). However, some works have observed the ideal
performance of such GM-based AD methods. In this paper, we propose a new
perspective on the ideal performance of GM-based AD methods. We state that in
these methods, the implicit assumption that connects GMs'results to AD's goal
is usually implausible due to normal data's multi-peaked distribution
characteristic, which is quite common in practical cases. We first
qualitatively formulate this perspective, and then focus on the Gaussian
mixture model (GMM) to intuitively illustrate the perspective, which is a
typical GM and has the natural property to approximate multi-peaked
distributions. Based on the proposed perspective, in order to bypass the
implicit assumption in the GMM-based AD method, we suggest integrating the
Discriminative idea to orient GMM to AD tasks (DiGMM). With DiGMM, we establish
a connection of generative and discriminative models, which are two key
paradigms for AD and are usually treated separately before. This connection
provides a possible direction for future works to jointly consider the two
paradigms and incorporate their complementary characteristics for AD.
- Abstract(参考訳): 異常検出(AD)は学術と産業の両方で注目されている。
多くのケースで異常なデータが欠如しているため、ADは通常、まず通常のデータパターンをモデル化し、次にこのモデルに適合するかどうかを決定することで解決される。
生成モデル(GM)はこの目的を達成するための自然なツールであり、通常のデータ分布を学習し、確率密度関数(PDF)を用いて推定する。
しかし、そのようなGMベースのAD手法の理想的な性能を観察する研究もある。
本稿では,GMに基づくAD手法の理想的な性能に関する新しい視点を提案する。
これらの方法では、GMの主張とADの目標を結びつける暗黙の仮定は、通常データにおけるマルチピーク分布特性のため、一般的には理解できない。
まず、この視点を定性的に定性的に定式化し、次にガウス混合モデル(GMM)に着目して、典型的なGMであり、マルチピーク分布を近似する自然な性質を持つ視点を直観的に記述する。
提案する視点から,GMMに基づくAD法における暗黙の仮定を回避すべく,GMMからADタスク(DiGMM)への識別的アイデアの統合を提案する。
DiGMMでは、ADの2つの重要なパラダイムである生成モデルと識別モデルの接続を確立し、通常、それ以前に別々に扱われる。
この接続は、2つのパラダイムを共同で考慮し、それらの補完的特徴をadに組み込むための将来の作業に可能な方向を与える。
関連論文リスト
- Finding Pegasus: Enhancing Unsupervised Anomaly Detection in High-Dimensional Data using a Manifold-Based Approach [0.0]
本稿では, 理想化された図形 "Finding Pegasus" と, 教師なし異常検出手法を分類した新しい形式的枠組みを提案する。
次に、この知見を用いて、高DRの状況において精度を犠牲にすることなくADリコールを大幅に向上させるAD手法を組み合わせるアプローチを開発する。
論文 参考訳(メタデータ) (2025-02-06T18:53:30Z) - OOD Detection with immature Models [8.477943884416023]
高次元データの分布を近似する能力について, 類似性に基づくDGM (Deep Generative Model) が注目されている。
これらのモデルには、In-distriion (ID) インプットに高い確率値を割り当てる性能保証がないため、モデルがトレーニングするデータはout-of-distriion (OOD) インプットよりも優れている。
本研究は,未成熟モデルを用いた学習の初期段階において,この下流タスクにおいて,ほぼ同等あるいは優れた結果が得られることを実証する。
論文 参考訳(メタデータ) (2025-02-02T15:14:17Z) - MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。
本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
論文 参考訳(メタデータ) (2024-10-12T07:02:33Z) - Hierarchical Gaussian Mixture Normalizing Flow Modeling for Unified Anomaly Detection [12.065053799927506]
本稿では,一貫した異常検出を実現するための新しい階層型ガウス混合流れモデリング法を提案する。
我々のHGADは,クラス間ガウス混合モデリングとクラス内混合クラスセンター学習の2つの重要な構成要素から構成されている。
提案手法を4つの実世界のADベンチマークで評価し,従来のNFベースのAD手法を大幅に改善し,SOTA統合AD手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2024-03-20T07:21:37Z) - Toward the Identifiability of Comparative Deep Generative Models [7.5479347719819865]
比較深部生成モデル(DGM)における識別可能性の理論を提案する。
これらのモデルは、一般的な混合関数のクラスにおいて識別性に欠けるが、混合関数が断片的アフィンであるときに驚くほど識別可能であることを示す。
また, モデルミス種別の影響についても検討し, 従来提案されていた比較DGMの正則化手法が, 潜伏変数の数が事前に分かっていない場合に, 識別可能性を高めることを実証的に示す。
論文 参考訳(メタデータ) (2024-01-29T06:10:54Z) - 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) - 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) - META: Mimicking Embedding via oThers' Aggregation for Generalizable
Person Re-identification [68.39849081353704]
Domain Generalizable (DG) Person Re-identification (ReID)は、トレーニング時に対象のドメインデータにアクセスすることなく、見えないドメインをまたいでテストすることを目的としている。
本稿では,DG ReID のための OThers' Aggregation (META) を用いた Mimicking Embedding という新しい手法を提案する。
論文 参考訳(メタデータ) (2021-12-16T08:06:50Z) - Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。
GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。
本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
論文 参考訳(メタデータ) (2021-01-06T17:36:26Z) - Towards Inheritable Models for Open-Set Domain Adaptation [56.930641754944915]
本稿では、将来、ソースデータセットが存在しない場合の適応を容易にするために、ソース学習モデルを用いた実用的なドメイン適応パラダイムを提案する。
本稿では,ソースデータがない場合でも,対象領域に対して最適なソースモデルの選択を可能にするために,継承可能性の定量化を目的とする手法を提案する。
論文 参考訳(メタデータ) (2020-04-09T07:16:30Z)
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。