論文の概要: A Subspace Projection Approach to Autoencoder-based Anomaly Detection
- arxiv url: http://arxiv.org/abs/2302.07643v1
- Date: Wed, 15 Feb 2023 13:23:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-16 15:06:56.091810
- Title: A Subspace Projection Approach to Autoencoder-based Anomaly Detection
- Title(参考訳): 部分空間投影によるオートエンコーダに基づく異常検出
- Authors: Jinho Choi, Jihong Park, Abhinav Japesh, Adarsh
- Abstract要約: Autoencoder(AE)は、入力をその出力で再構築するように訓練されたニューラルネットワークアーキテクチャである。
本稿では,新しい入力をサブスペースに投影することで,AEに基づく異常検出を行う新しいフレームワークHFR-AEを提案する。
- 参考スコア(独自算出の注目度): 45.37038692092683
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autoencoder (AE) is a neural network (NN) architecture that is trained to
reconstruct an input at its output. By measuring the reconstruction errors of
new input samples, AE can detect anomalous samples deviated from the trained
data distribution. The key to success is to achieve high-fidelity
reconstruction (HFR) while restricting AE's capability of generalization beyond
training data, which should be balanced commonly via iterative re-training.
Alternatively, we propose a novel framework of AE-based anomaly detection,
coined HFR-AE, by projecting new inputs into a subspace wherein the trained AE
achieves HFR, thereby increasing the gap between normal and anomalous sample
reconstruction errors. Simulation results corroborate that HFR-AE improves the
area under receiver operating characteristic curve (AUROC) under different AE
architectures and settings by up to 13.4% compared to Vanilla AE-based anomaly
detection.
- Abstract(参考訳): Autoencoder(AE)は、ニューラルネットワーク(NN)アーキテクチャで、出力時に入力を再構築するように訓練されている。
新しい入力サンプルの再構成誤差を測定することで、AEはトレーニングされたデータ分布から逸脱した異常サンプルを検出することができる。
成功の鍵は、反復的再訓練を通じて一般的にバランスをとるべきトレーニングデータを超えて、AEの一般化能力を制限する一方で、高忠実度再構築(HFR)を達成することである。
あるいは、トレーニングされたAEがHFRを達成する部分空間に新たな入力を投影することにより、正常と異常なサンプル再構成エラーのギャップを増大させることにより、AEに基づく異常検出の新たなフレームワーク、HFR-AEを提案する。
シミュレーションの結果、HFR-AEは、Vanilla AEベースの異常検出と比較して、異なるAEアーキテクチャと設定の下で受信機動作特性曲線(AUROC)の領域を最大13.4%改善する。
関連論文リスト
- Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation :
A Unified Approach [52.14916470104883]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳(メタデータ) (2023-11-27T13:14:06Z) - Synthetic Pseudo Anomalies for Unsupervised Video Anomaly Detection: A
Simple yet Efficient Framework based on Masked Autoencoder [1.9511777443446219]
本稿では,ビデオ異常検出のための簡易かつ効率的なフレームワークを提案する。
擬似異常サンプルは、余分なデータ処理をせずにランダムマスクトークンを埋め込み、正規データのみから合成する。
また、正規性とそれに対応する擬似異常データから正規知識をよりよく学習するよう、AEsに促す正規性整合性訓練戦略を提案する。
論文 参考訳(メタデータ) (2023-03-09T08:33:38Z) - Making Reconstruction-based Method Great Again for Video Anomaly
Detection [64.19326819088563]
ビデオの異常検出は重要な問題だが、難しい問題だ。
既存の再構成に基づく手法は、昔ながらの畳み込みオートエンコーダに依存している。
連続フレーム再構築のための新しいオートエンコーダモデルを提案する。
論文 参考訳(メタデータ) (2023-01-28T01:57:57Z) - Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。
本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。
HypADは自己指導で入力信号を再構築する。
論文 参考訳(メタデータ) (2022-11-16T21:31:39Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Synthetic Temporal Anomaly Guided End-to-End Video Anomaly Detection [16.436293069942312]
オートエンコーダ(AE)は、しばしば異常検出性能を低下させる異常の再構築を開始する。
本研究では,正規データのみを用いて擬似異常を発生させる時間的擬似異常シンセサイザーを提案する。
AEは、通常のデータでこの損失を最小化しつつ、擬似異常の復元損失を最大化するように訓練される。
論文 参考訳(メタデータ) (2021-10-19T07:08:44Z) - Learning Not to Reconstruct Anomalies [14.632592282260363]
オートエンコーダ(AE)は、通常のデータのみからなるトレーニングセットで入力を再構築するために訓練される。
AEは、異常なデータを十分に再構築しつつ、正常なデータを適切に再構築することが期待されている。
本稿では,入力によらず,通常のデータのみを再構築する目的で,AEを訓練するための新しい手法を提案する。
論文 参考訳(メタデータ) (2021-10-19T05:22:38Z) - Probabilistic Robust Autoencoders for Anomaly Detection [7.362415721170984]
確率ロバストオートエンコーダ(PRAE)と呼ばれる新しいタイプのオートエンコーダを提案する。
PRAEは、同時に外れ値を取り除き、下降値サンプルの低次元表現を識別するように設計されている。
PRAEの解法がRAEの解と等価であることを証明し、PRAEが異常検出の最先端手法と同等であることを示す。
論文 参考訳(メタデータ) (2021-10-01T15:46:38Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳(メタデータ) (2021-09-08T14:07:55Z) - Anomaly Detection Based on Multiple-Hypothesis Autoencoder [0.0]
正規データで訓練されたモデルは、異常データに対するより大きな復元誤差を生成する。
AEの入力データの復元領域は、潜時空間において制限される。
本稿では,複数のデコーダからなるマルチハイブリッドオートエンコーダ(MH-AE)モデルを提案する。
論文 参考訳(メタデータ) (2021-07-07T05:09:03Z)
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。