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

• Exploiting Autoencoder's Weakness to Generate Pseudo Anomalies [17.342474659784823]
  異常検出の典型的なアプローチは、通常のデータのパターンや表現を学習するためにのみ、通常のデータでオートエンコーダ(AE)を訓練することである。 本稿では,AEの弱点,すなわち異常の再構築をうまく活用して,学習適応雑音から擬似異常を生成することを提案する。
  論文  参考訳（メタデータ） (2024-05-09T16:22:24Z)
• Constricting Normal Latent Space for Anomaly Detection with Normal-only Training Data [11.237938539765825]
  オートエンコーダ(AE)は通常、データを再構築するために訓練される。 テスト期間中、AEは実際の異常を使用して訓練されていないため、異常データを十分に再構成することが期待されている。 我々は,新しい潜在的拘束損失を導入することで,AEの再建能力を制限することを提案する。
  論文  参考訳（メタデータ） (2024-03-24T19:22:15Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  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)
• 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)
• 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)

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。