論文の概要: Robust Semi-Supervised Anomaly Detection via Adversarially Learned Continuous Noise Corruption

• arxiv url: http://arxiv.org/abs/2303.03925v1
• Date: Thu, 2 Mar 2023 22:59:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-12 03:40:53.004399
• Title: Robust Semi-Supervised Anomaly Detection via Adversarially Learned Continuous Noise Corruption
• Title（参考訳）: 逆学習した連続雑音によるロバスト半監督異常検出
• Authors: Jack W Barker, Neelanjan Bhowmik, Yona Falinie A Gaus and Toby P Breckon
• Abstract要約: 異常検出は、予め確立された正常性から著しく逸脱した新しいサンプルを認識するタスクである。 ディープオートエンコーダ(AE)は、異常検出タスクとして広く使用されているが、ヌルID関数への過度な適合に悩まされている。 本稿では,適応学習連続雑音(ALCN)を効率よく生成する手法を提案する。
• 参考スコア（独自算出の注目度）: 11.135527192198092
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection is the task of recognising novel samples which deviate significantly from pre-establishednormality. Abnormal classes are not present during training meaning that models must learn effective rep-resentations solely across normal class data samples. Deep Autoencoders (AE) have been widely used foranomaly detection tasks, but suffer from overfitting to a null identity function. To address this problem, weimplement a training scheme applied to a Denoising Autoencoder (DAE) which introduces an efficient methodof producing Adversarially Learned Continuous Noise (ALCN) to maximally globally corrupt the input priorto denoising. Prior methods have applied similar approaches of adversarial training to increase the robustnessof DAE, however they exhibit limitations such as slow inference speed reducing their real-world applicabilityor producing generalised obfuscation which is more trivial to denoise. We show through rigorous evaluationthat our ALCN method of regularisation during training improves AUC performance during inference whileremaining efficient over both classical, leave-one-out novelty detection tasks with the variations-: 9 (normal)vs. 1 (abnormal) & 1 (normal) vs. 9 (abnormal); MNIST - AUCavg: 0.890 & 0.989, CIFAR-10 - AUCavg: 0.670& 0.742, in addition to challenging real-world anomaly detection tasks: industrial inspection (MVTEC-AD -AUCavg: 0.780) and plant disease detection (Plant Village - AUC: 0.770) when compared to prior approaches.
• Abstract（参考訳）: 異常検出は、確立された正規性から著しく逸脱する新しいサンプルを認識するタスクである。 トレーニング中に異常なクラスは存在しないため、モデルが通常のクラスデータサンプルに対してのみ効果的な再送を学ばなければならない。 ディープオートエンコーダ(AE)は、異常検出タスクとして広く使用されているが、ヌルID関数への過度な適合に悩まされている。 この問題に対処するために,逆学習型連続雑音(alcn)を生成する効率的な手法を導入するデノイジングオートエンコーダ(dae)に対して,デノイジングに先立つ入力を最大にグローバルに破壊するトレーニング手法を実装した。 従来の手法では、DAEのロバスト性を高めるために、逆行訓練の同様のアプローチが適用されていたが、現実の応用可能性の低下や一般化難読化などの制限がある。 トレーニング中の正規化のALCN法は,古典的・例外的新奇性検出タスクと変分9(正規)vを併用しながら,推論時のAUC性能を向上することを示す。 mnist - aucavg: 0.890 & 0.989, cifar-10 - aucavg: 0.670& 0.742 実世界の異常検出タスク: 産業検査 (mvtec-ad -aucavg: 0.780) および植物病検出 (plant village - auc: 0.770) 以前のアプローチと比較すると、実世界の異常検出タスクは困難である。

関連論文リスト

• Effort: Efficient Orthogonal Modeling for Generalizable AI-Generated Image Detection [66.16595174895802]
  既存のAI生成画像(AIGI)検出手法は、しばしば限定的な一般化性能に悩まされる。 本稿では、AIGI検出において、これまで見過ごされてきた重要な非対称性現象を同定する。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• Purify Unlearnable Examples via Rate-Constrained Variational Autoencoders [101.42201747763178]
  未学習例(UE)は、正しくラベル付けされたトレーニング例に微妙な修正を加えることで、テストエラーの最大化を目指している。 我々の研究は、効率的な事前学習浄化法を構築するための、新しいゆがみ機構を提供する。
  論文  参考訳（メタデータ） (2024-05-02T16:49:25Z)
• 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)
• Noisy-ArcMix: Additive Noisy Angular Margin Loss Combined With Mixup Anomalous Sound Detection [5.1308092683559225]
  非教師付き異常音検出(ASD)は、正常な操作音の特徴を学習し、その偏差を感知することで、異常音を識別することを目的としている。 近年, 正規データの分類を利用した自己教師型タスクに焦点が当てられ, 高度なモデルでは, 異常データの表現空間の確保が重要であることが示されている。 本研究では,クラス内コンパクト性を確保し,正常試料と異常試料との角度ギャップを増大させる訓練手法を提案する。
  論文  参考訳（メタデータ） (2023-10-10T07:04:36Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Simple Adaptive Projection with Pretrained Features for Anomaly Detection [0.0]
  本稿では,単純な線形変換と自己注意を含む新しい適応フレームワークを提案する。 事前訓練した特徴を持つ簡易適応投影法(SAP2)により,新しい異常検出基準が得られた。
  論文  参考訳（メタデータ） (2021-12-05T15:29:59Z)
• Distribution Mismatch Correction for Improved Robustness in Deep Neural Networks [86.42889611784855]
  正規化法は ノイズや入力の腐敗に関して 脆弱性を増大させる 本稿では,各層の活性化分布に適応する非教師なし非パラメトリック分布補正法を提案する。 実験により,提案手法は画像劣化の激しい影響を効果的に低減することを示した。
  論文  参考訳（メタデータ） (2021-10-05T11:36:25Z)
• Semantic Perturbations with Normalizing Flows for Improved Generalization [62.998818375912506]
  我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。 トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-08-18T03:20:00Z)
• PANDA : Perceptually Aware Neural Detection of Anomalies [20.838700258121197]
  視覚的に異なる異常と微妙な異常の両方を検出するために、半監督方式で訓練された新しい微粒VAE-GANアーキテクチャを提案する。 残差接続された二重機能抽出器, きめ細かい識別器, 知覚的損失関数を用いることで, 微妙で低いクラス間変異(異常対正常)を検出することができる。
  論文  参考訳（メタデータ） (2021-04-28T11:03:50Z)
• CLAWS: Clustering Assisted Weakly Supervised Learning with Normalcy Suppression for Anomalous Event Detection [20.368114998124295]
  本稿では,多様体の寄与を考慮した弱教師付き異常検出手法を提案する。 提案手法は, UCF Crime と ShanghaiTech のデータセットでそれぞれ 83.03% と 89.67% のフレームレベルの AUC 性能を得る。
  論文  参考訳（メタデータ） (2020-11-24T13:27:40Z)
• Deep Anomaly Detection by Residual Adaptation [34.47788988778933]
  本稿では,大規模な事前学習ネットワークを改良し,異常検出のタスクに適応させる手法を提案する。 提案手法は,パラメータ効率の高い学習機構を生み出し,事前学習されたモデルにおける表現の絡み合いを高め,既存の異常検出方法よりも優れる。
  論文  参考訳（メタデータ） (2020-10-05T20:02:58Z)

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。