論文の概要: Robust and Explainable Contextual Anomaly Detection using Quantile Regression Forests

• arxiv url: http://arxiv.org/abs/2302.11239v1
• Date: Wed, 22 Feb 2023 09:39:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-23 15:51:17.829979
• Title: Robust and Explainable Contextual Anomaly Detection using Quantile Regression Forests
• Title（参考訳）: 質的回帰森林を用いたロバストで説明可能な文脈異常検出
• Authors: Zhong Li, Matthijs van Leeuwen
• Abstract要約: 本稿では,頑健かつ本質的に解釈可能な文脈異常検出のための新しい手法を提案する。 本手法は精度とロバスト性の観点から最先端の異常検出法より優れる。
• 参考スコア（独自算出の注目度）: 14.80211278818555
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Traditional anomaly detection methods aim to identify objects that deviate from most other objects by treating all features equally. In contrast, contextual anomaly detection methods aim to detect objects that deviate from other objects within a context of similar objects by dividing the features into contextual features and behavioral features. In this paper, we develop connections between dependency-based traditional anomaly detection methods and contextual anomaly detection methods. Based on resulting insights, we propose a novel approach to robust and inherently interpretable contextual anomaly detection that uses Quantile Regression Forests to model dependencies between features. Extensive experiments on various synthetic and real-world datasets demonstrate that our method outperforms state-of-the-art anomaly detection methods in identifying contextual anomalies in terms of accuracy and robustness.
• Abstract（参考訳）: 従来の異常検出方法は、全ての特徴を等しく扱うことによって、他のほとんどのオブジェクトから逸脱するオブジェクトを識別することを目的としている。 対照的に、コンテキスト異常検出手法は、特徴を文脈的特徴と行動的特徴に分割することで、類似したオブジェクトのコンテキスト内で他のオブジェクトから逸脱するオブジェクトを検出することを目的としている。 本稿では,依存性に基づく従来の異常検出手法とコンテキスト異常検出手法の接続を開発する。 得られた知見に基づいて,特徴間の依存関係をモデル化するためにQuantile Regression Forestsを用いた,頑健かつ本質的に解釈可能なコンテキスト異常検出手法を提案する。 様々な合成および実世界のデータセットに関する広範囲な実験により,本手法は,精度とロバスト性の観点から文脈異常の同定において,最先端異常検出法よりも優れていることが示された。

関連論文リスト

• Can I trust my anomaly detection system? A case study based on explainable AI [0.4416503115535552]
  本稿では,変分自己エンコーダ生成モデルに基づく異常検出システムのロバスト性について検討する。 目標は、再構成の違いを利用する異常検知器の実際の性能について、異なる視点を得ることです。
  論文  参考訳（メタデータ） (2024-07-29T12:39:07Z)
• Unsupervised Anomaly Detection Using Diffusion Trend Analysis [48.19821513256158]
  本稿では, 劣化度に応じて, 復元傾向の分析により異常を検出する手法を提案する。 提案手法は,産業用異常検出のためのオープンデータセット上で検証される。
  論文  参考訳（メタデータ） (2024-07-12T01:50:07Z)
• xSemAD: Explainable Semantic Anomaly Detection in Event Logs Using Sequence-to-Sequence Models [1.6713531923053913]
  この研究は意味的異常検出のギャップに対処し、通常、異常の性質を説明することなく、異常の発生を示す。 我々はxSemADを提案する。xSemADは、シーケンス・ツー・シーケンス・モデルを用いて、純粋な識別を超越し、拡張された説明を提供するアプローチである。 実験により,本手法は既存の意味的異常検出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） (2024-06-28T09:06:52Z)
• Embedding Trajectory for Out-of-Distribution Detection in Mathematical Reasoning [50.84938730450622]
  数理推論におけるOOD検出にトラジェクトリボラティリティを用いたトラジェクトリベースのTVスコアを提案する。 本手法は, 数学的推論シナリオ下でのGLM上での従来のアルゴリズムよりも優れる。 提案手法は,複数選択質問などの出力空間における高密度特徴を持つアプリケーションに拡張することができる。
  論文  参考訳（メタデータ） (2024-05-22T22:22:25Z)
• Context-Dependent Anomaly Detection with Knowledge Graph Embedding Models [0.0]
  本研究では,コンテキスト依存型異常検出問題をリンク予測問題に変換するフレームワークを開発する。 本研究では,文脈依存型異常を高い精度で検出できることを示す。
  論文  参考訳（メタデータ） (2022-03-17T14:36:12Z)
• Object-centric and memory-guided normality reconstruction for video anomaly detection [56.64792194894702]
  本稿では,ビデオ監視における異常検出問題に対処する。 異常事象の固有な規則性と不均一性のため、問題は正規性モデリング戦略と見なされる。 我々のモデルは、トレーニング中に異常なサンプルを見ることなく、オブジェクト中心の正規パターンを学習する。
  論文  参考訳（メタデータ） (2022-03-07T19:28:39Z)
• Contrastive Object Detection Using Knowledge Graph Embeddings [72.17159795485915]
  一つのホットアプローチで学習したクラス埋め込みの誤差統計と、自然言語処理や知識グラフから意味的に構造化された埋め込みを比較した。 本稿では,キーポイントベースおよびトランスフォーマーベースオブジェクト検出アーキテクチャの知識埋め込み設計を提案する。
  論文  参考訳（メタデータ） (2021-12-21T17:10:21Z)
• Efficient Anomaly Detection Using Self-Supervised Multi-Cue Tasks [2.9237210794416755]
  異なる視覚的手がかりに焦点をあてる新しい識別的・生成的タスクを導入する。 そこで本研究では,新しい分布検出機能を提案し,その安定性を他の分布検出方法と比較した。 我々のモデルは、これらの自己教師型タスクを用いて、高度に識別可能な特徴をより正確に学習することができる。
  論文  参考訳（メタデータ） (2021-11-24T09:54:50Z)
• Abnormal Behavior Detection Based on Target Analysis [57.78993932008633]
  本稿では,対象,動作,動作の3つの分岐を通して各対象を解析する多変量融合法を提案する。 これらの枝が注目する情報は異なっており、相互に補完し、異常な振る舞いを共同で検出することができる。
  論文  参考訳（メタデータ） (2021-07-29T02:03:47Z)
• Pixel-wise Anomaly Detection in Complex Driving Scenes [30.884375526254836]
  本稿では,不確実性マップを用いて異常検出を改善する画素方向異常検出フレームワークを提案する。 私たちのアプローチは、すでにトレーニング済みのセグメンテーションネットワークの一般的なフレームワークとして機能します。 さまざまな異常データセットを対象としたトップ2パフォーマンスは、異なる異常インスタンスを扱うアプローチの堅牢性を示している。
  論文  参考訳（メタデータ） (2021-03-09T14:26:20Z)
• Slender Object Detection: Diagnoses and Improvements [74.40792217534]
  本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。 古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
  論文  参考訳（メタデータ） (2020-11-17T09:39:42Z)

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。