論文の概要: SPADE: Semi-supervised Anomaly Detection under Distribution Mismatch

• arxiv url: http://arxiv.org/abs/2212.00173v1
• Date: Wed, 30 Nov 2022 23:39:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 16:39:04.386670
• Title: SPADE: Semi-supervised Anomaly Detection under Distribution Mismatch
• Title（参考訳）: SPADE: 分散ミスマッチによる半教師付き異常検出
• Authors: Jinsung Yoon, Kihyuk Sohn, Chun-Liang Li, Sercan O. Arik, Tomas Pfister
• Abstract要約: SPADEは、分布ミスマッチを伴う幅広いシナリオにわたって、最先端の半教師付き異常検出性能を示す。 新しいタイプのラベルのない異常に直面したモデルなど、いくつかの一般的な現実世界設定では、SPADEは最先端の代替品を平均5%のAUCで上回っている。
• 参考スコア（独自算出の注目度）: 58.04518381476167
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semi-supervised anomaly detection is a common problem, as often the datasets containing anomalies are partially labeled. We propose a canonical framework: Semi-supervised Pseudo-labeler Anomaly Detection with Ensembling (SPADE) that isn't limited by the assumption that labeled and unlabeled data come from the same distribution. Indeed, the assumption is often violated in many applications - for example, the labeled data may contain only anomalies unlike unlabeled data, or unlabeled data may contain different types of anomalies, or labeled data may contain only 'easy-to-label' samples. SPADE utilizes an ensemble of one class classifiers as the pseudo-labeler to improve the robustness of pseudo-labeling with distribution mismatch. Partial matching is proposed to automatically select the critical hyper-parameters for pseudo-labeling without validation data, which is crucial with limited labeled data. SPADE shows state-of-the-art semi-supervised anomaly detection performance across a wide range of scenarios with distribution mismatch in both tabular and image domains. In some common real-world settings such as model facing new types of unlabeled anomalies, SPADE outperforms the state-of-the-art alternatives by 5% AUC in average.
• Abstract（参考訳）: 半教師付き異常検出は一般的な問題であり、異常を含むデータセットは部分的にラベル付けされることが多い。 半教師付き擬似ラベル異常検出 (semi-supervised pseudo-labeler anomaly detection with ensembling (spade)) はラベル付きとラベルなしのデータは同じ分布から来るという仮定によって制限されない。 例えば、ラベル付きデータはラベル付きデータとは異なる異常のみを含むか、ラベル付きデータには異なる種類の異常が含まれているか、ラベル付きデータには「簡単にラベル付き」なサンプルしか含まれない。 spadeは1つのクラス分類器のアンサンブルを擬似ラベルとして使用し、分布ミスマッチを伴う擬似ラベルのロバスト性を改善する。 検証データなしで擬似ラベル付けのための重要なハイパーパラメータを自動的に選択するために,部分マッチングを提案する。 SPADEは、表領域と画像領域の両方で分布ミスマッチを伴う幅広いシナリオで、最先端の半教師付き異常検出性能を示す。 新しいタイプのラベルのない異常に直面したモデルなど、いくつかの一般的な現実世界設定では、SPADEは最先端の代替品を平均5%の性能で上回っている。

関連論文リスト

• Model Selection of Anomaly Detectors in the Absence of Labeled Validation Data [18.233908098602114]
  本稿では,画像に基づく異常検出をラベル付き検証データなしで選択するフレームワークSWSAを提案する。 ラベル付き検証データを集める代わりに、トレーニングや微調整なしに合成異常を生成する。 我々の合成異常は、モデル選択のための検証フレームワークを構成する検出タスクを作成するために使用される。
  論文  参考訳（メタデータ） (2023-10-16T14:42:22Z)
• MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly Detection [124.52227588930543]
  教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。 不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。 非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。 我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
  論文  参考訳（メタデータ） (2023-08-29T13:38:35Z)
• RoSAS: Deep Semi-Supervised Anomaly Detection with Contamination-Resilient Continuous Supervision [21.393509817509464]
  本稿では, テクスト汚染耐性連続監視信号を考案した, 半教師付き異常検出手法を提案する。 当社のアプローチは、AUC-PRにおいて最先端の競合他社を20%-30%上回っている。
  論文  参考訳（メタデータ） (2023-07-25T04:04:49Z)
• Anomaly Detection with Score Distribution Discrimination [4.468952886990851]
  本稿では,スコア分布の観点から,異常スコア関数の最適化を提案する。 正常試料と異常試料のスコア分布の重なりを最小化するオーバーラップ損失と呼ばれる新しい損失関数を設計する。
  論文  参考訳（メタデータ） (2023-06-26T03:32:57Z)
• Class-Distribution-Aware Pseudo Labeling for Semi-Supervised Multi-Label Learning [97.88458953075205]
  Pseudo-labelingは、ラベルなしデータを利用するための人気で効果的なアプローチとして登場した。 本稿では,クラスアウェアの擬似ラベル処理を行うCAP(Class-Aware Pseudo-Labeling)という新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-05-04T12:52:18Z)
• Dist-PU: Positive-Unlabeled Learning from a Label Distribution Perspective [89.5370481649529]
  本稿では,PU学習のためのラベル分布視点を提案する。 そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。 提案手法の有効性を3つのベンチマークデータセットで検証した。
  論文  参考訳（メタデータ） (2022-12-06T07:38:29Z)
• Multi-class Probabilistic Bounds for Self-learning [13.875239300089861]
  Pseudo-labelingはエラーを起こしやすいため、ラベルなしのトレーニングデータにノイズのあるラベルを追加するリスクがある。 本稿では,多クラス分類シナリオにおける自己学習を部分的にラベル付きデータで分析する確率的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-09-29T13:57:37Z)
• Toward Deep Supervised Anomaly Detection: Reinforcement Learning from Partially Labeled Anomaly Data [150.9270911031327]
  本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。 既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。 そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-09-15T03:05:39Z)
• Deep Weakly-supervised Anomaly Detection [118.55172352231381]
  ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。 PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。 12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
  論文  参考訳（メタデータ） (2019-10-30T00:40:25Z)

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。