論文の概要: CoMadOut -- A Robust Outlier Detection Algorithm based on CoMAD
- arxiv url: http://arxiv.org/abs/2211.13314v1
- Date: Wed, 23 Nov 2022 21:33:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 17:29:50.943018
- Title: CoMadOut -- A Robust Outlier Detection Algorithm based on CoMAD
- Title(参考訳): CoMadOut - CoMADに基づくロバストな外乱検出アルゴリズム
- Authors: Andreas Lohrer, Daniyal Kazempour, Maximilian H\"unem\"order, Peer
Kr\"oger
- Abstract要約: 与えられたデータセット上の機械学習アルゴリズムの予測を歪める可能性があるため、アウトレーヤは重要な役割を果たす。
この問題に対処するために,ロバストな外乱検出アルゴリズムCoMadOutを提案する。
われわれの手法は、外乱検出タスクの堅牢な代替手段と見なすことができる。
- 参考スコア(独自算出の注目度): 0.3823356975862006
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised learning methods are well established in the area of anomaly
detection and achieve state of the art performances on outlier data sets.
Outliers play a significant role, since they bear the potential to distort the
predictions of a machine learning algorithm on a given data set. Especially
among PCA-based methods, outliers have an additional destructive potential
regarding the result: they may not only distort the orientation and translation
of the principal components, they also make it more complicated to detect
outliers. To address this problem, we propose the robust outlier detection
algorithm CoMadOut, which satisfies two required properties: (1) being robust
towards outliers and (2) detecting them. Our outlier detection method using
coMAD-PCA defines dependent on its variant an inlier region with a robust noise
margin by measures of in-distribution (ID) and out-of-distribution (OOD). These
measures allow distribution based outlier scoring for each principal component,
and thus, for an appropriate alignment of the decision boundary between normal
and abnormal instances. Experiments comparing CoMadOut with traditional, deep
and other comparable robust outlier detection methods showed that the
performance of the introduced CoMadOut approach is competitive to well
established methods related to average precision (AP), recall and area under
the receiver operating characteristic (AUROC) curve. In summary our approach
can be seen as a robust alternative for outlier detection tasks.
- Abstract(参考訳): 異常検出領域において教師なし学習手法が確立され, 外れ値データセット上でのアートパフォーマンスの達成が期待できる。
異常値は、与えられたデータセット上の機械学習アルゴリズムの予測を歪める可能性を持っているため、重要な役割を果たす。
特にpcaベースの手法では、アウトリアーは結果に対してさらなる破壊的な可能性を秘めている: 主成分の向きや変換を歪ませるだけでなく、アウトリアーを検出するのもより複雑になる。
この問題に対処するために,(1)外れ値に対して頑健であること,(2)検出する2つの特性を満たすロバストな外れ値検出アルゴリズムcomadoutを提案する。
coMAD-PCAを用いた外乱検出法は,その変種である非分布(ID)と外分布(OOD)によって,頑健なノイズマージンを持つ不整域に依存している。
これらの測定により、各主成分に対する分布に基づくアウトレイアスコアリングが可能となり、通常のインスタンスと異常なインスタンス間の決定境界の適切なアライメントが可能となる。
CoMadOutと従来の、深い、その他の同等の堅牢な外れ値検出手法との比較実験により、導入したCoMadOutアプローチの性能は、平均精度(AP)、リコール、受信動作特性(AUROC)曲線下での面積に関する確立された手法と競合することが示された。
まとめると、我々のアプローチは、外れ値検出タスクの堅牢な代替案と見なすことができる。
関連論文リスト
- Unsupervised Outlier Detection using Random Subspace and Subsampling
Ensembles of Dirichlet Process Mixtures [1.4483554258314688]
ディリクレ過程のガウス混合のアンサンブルに基づく新しい外乱検出法を提案する。
提案手法は,効率的な計算と高速計算を実現するために,ランダムな部分空間とサブサンプリングアンサンブルを利用する。
ベンチマークデータセットを用いた実証研究により,本手法は教師なし外乱検出の既存手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2024-01-01T14:34:11Z) - CL-Flow:Strengthening the Normalizing Flows by Contrastive Learning for
Better Anomaly Detection [1.951082473090397]
コントラスト学習と2D-Flowを組み合わせた自己教師付き異常検出手法を提案する。
本手法は,主流の教師なし手法と比較して,検出精度が向上し,モデルパラメータが減少し,推論速度が向上することを示す。
BTADデータセットでは,MVTecADデータセットでは画像レベルのAUROCが99.6%,BTADデータセットでは画像レベルのAUROCが96.8%であった。
論文 参考訳(メタデータ) (2023-11-12T10:07:03Z) - Distributional Shift-Aware Off-Policy Interval Estimation: A Unified
Error Quantification Framework [8.572441599469597]
本研究では、無限水平マルコフ決定過程の文脈における高信頼オフ政治評価について検討する。
目的は、未知の行動ポリシーから事前に収集されたオフラインデータのみを用いて、対象の政策値に対する信頼区間(CI)を確立することである。
提案アルゴリズムは, 非線形関数近似設定においても, サンプル効率, 誤差ローバスト, 既知収束性を示す。
論文 参考訳(メタデータ) (2023-09-23T06:35:44Z) - Efficient Anomaly Detection with Budget Annotation Using Semi-Supervised
Residual Transformer [71.12751395582518]
異常検出は、通常、訓練中に通常のサンプルのみが見られ、検出器は飛行中の異常を検出する必要があるため、難しい。
最近提案されたディープラーニングベースのアプローチは、この問題を緩和する可能性があるが、実世界の応用のための産業レベルの異常検知器を得るには、まだまだ長い道のりがある。
論文 参考訳(メタデータ) (2023-06-06T08:19:30Z) - MAPS: A Noise-Robust Progressive Learning Approach for Source-Free
Domain Adaptive Keypoint Detection [76.97324120775475]
クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。
本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
論文 参考訳(メタデータ) (2023-02-09T12:06:08Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳(メタデータ) (2022-01-11T23:01:12Z) - Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic
Uncertainty [58.144520501201995]
ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。
注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。
また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
論文 参考訳(メタデータ) (2021-10-12T22:04:19Z) - Mean-Shifted Contrastive Loss for Anomaly Detection [34.97652735163338]
そこで本研究では,集中損失法とコントラスト損失法の両方の障害モードを克服できる新たな損失関数を提案する。
私たちの改善は、$textitMean-Shifted Contrastive Loss$に基づいて、新しい異常検出アプローチをもたらします。
提案手法は,ROC-AUC$9.5%を含む複数のベンチマークにおいて,最先端の異常検出性能を実現する。
論文 参考訳(メタデータ) (2021-06-07T17:58:03Z) - Homophily Outlier Detection in Non-IID Categorical Data [43.51919113927003]
この研究は、新しい外れ値検出フレームワークとその2つのインスタンスを導入し、カテゴリデータの外れ値を特定する。
まず、分布に敏感な外部因子とその相互依存性を値値グラフベースの表現に定義し、組み込む。
学習した値の外れ度は、直接の外れ値検出または特徴選択の除外を可能にする。
論文 参考訳(メタデータ) (2021-03-21T23:29:33Z) - Learning while Respecting Privacy and Robustness to Distributional
Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。
目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。
提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文 参考訳(メタデータ) (2020-07-07T18:25:25Z) - Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。
我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文 参考訳(メタデータ) (2020-03-04T12:27:36Z)
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。