論文の概要: Lifelong Learning for Anomaly Detection: New Challenges, Perspectives, and Insights

• arxiv url: http://arxiv.org/abs/2303.07557v1
• Date: Tue, 14 Mar 2023 00:49:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-15 16:54:10.020586
• Title: Lifelong Learning for Anomaly Detection: New Challenges, Perspectives, and Insights
• Title（参考訳）: 異常検出のための生涯学習:新しい課題、展望、展望
• Authors: Kamil Faber, Roberto Corizzo, Bartlomiej Sniezynski, Nathalie Japkowicz
• Abstract要約: 生涯の異常検出は、より広く検討された分類設定と比較して本質的に異なる課題をもたらす。 まず,生涯学習の複雑さに対処する異常検出手法を設計するための課題と機会を定義する。 第3に,生涯学習の導入によって得られるパフォーマンスのギャップを強調することを目的として,提案した生涯シナリオに対する一般的な異常検出手法を用いた実験を行った。
• 参考スコア（独自算出の注目度）: 4.6195710660852685
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection is of paramount importance in many real-world domains, characterized by evolving behavior. Lifelong learning represents an emerging trend, answering the need for machine learning models that continuously adapt to new challenges in dynamic environments while retaining past knowledge. However, limited efforts are dedicated to building foundations for lifelong anomaly detection, which provides intrinsically different challenges compared to the more widely explored classification setting. In this paper, we face this issue by exploring, motivating, and discussing lifelong anomaly detection, trying to build foundations for its wider adoption. First, we explain why lifelong anomaly detection is relevant, defining challenges and opportunities to design anomaly detection methods that deal with lifelong learning complexities. Second, we characterize learning settings and a scenario generation procedure that enables researchers to experiment with lifelong anomaly detection using existing datasets. Third, we perform experiments with popular anomaly detection methods on proposed lifelong scenarios, emphasizing the gap in performance that could be gained with the adoption of lifelong learning. Overall, we conclude that the adoption of lifelong anomaly detection is important to design more robust models that provide a comprehensive view of the environment, as well as simultaneous adaptation and knowledge retention.
• Abstract（参考訳）: 異常検出は多くの現実世界領域において最重要であり、進化する振る舞いを特徴とする。 生涯学習は、過去の知識を保ちながら動的環境における新たな課題に継続的に適応する機械学習モデルの必要性に応える、新たなトレンドを表している。 しかし、生涯にわたる異常検出のための基盤の構築に限られた努力が注がれており、より広範に検討された分類設定と比較して本質的に異なる課題を提供している。 本稿では,生涯にわたる異常検出を探索し,モチベーションを与え,議論することでこの問題に対処し,その普及のための基盤の構築を試みる。 まず、生涯の異常検出が重要である理由を説明し、生涯学習の複雑さを扱う異常検出手法を設計するための課題と機会を定義する。 第2に,既存のデータセットを用いた生涯異常検出実験が可能な学習環境とシナリオ生成手順を特徴付ける。 第3に,生涯学習の導入によって得られるパフォーマンスのギャップを強調し,生活シナリオに対する一般的な異常検出手法を用いた実験を行った。 全体として,環境の包括的視点と同時適応と知識保持を提供するより堅牢なモデルを設計するためには,生涯の異常検出の採用が重要であると結論づける。

関連論文リスト

• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• A Comprehensive Survey of Forgetting in Deep Learning Beyond Continual Learning [58.107474025048866]
  蓄積とは、以前に獲得した知識の喪失または劣化を指す。 フォッテッティングは、深層学習における様々な研究領域でよく見られる現象である。
  論文  参考訳（メタデータ） (2023-07-16T16:27:58Z)
• Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
  時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。 時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。 本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
  論文  参考訳（メタデータ） (2022-11-09T22:40:22Z)
• Spatio-temporal predictive tasks for abnormal event detection in videos [60.02503434201552]
  オブジェクトレベルの正規化パターンを学習するための制約付きプレテキストタスクを提案する。 我々のアプローチは、ダウンスケールの視覚的クエリとそれに対応する正常な外観と運動特性のマッピングを学習することである。 いくつかのベンチマークデータセットの実験では、異常の局所化と追跡のためのアプローチの有効性が示されている。
  論文  参考訳（メタデータ） (2022-10-27T19:45:12Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• Deep Video Anomaly Detection: Opportunities and Challenges [12.077052764803161]
  異常検出は様々な研究状況において人気があり重要な課題である。 ディープラーニングは、音響、画像、自然言語処理など、いくつかの領域でその能力を示している。 このようなインテリジェントなシステムが私たちの日常生活で実現できれば、多くのメリットがあります。
  論文  参考訳（メタデータ） (2021-10-11T08:41:51Z)
• Lifelong Intent Detection via Multi-Strategy Rebalancing [18.424132535727217]
  本稿では,新しいデータに対するIDモデルを継続的に訓練し,新たな意図を学習するライフロングインテント検出(LID)を提案する。 既存の生涯学習手法は、通常、LIDタスクにおける古いデータと新しいデータの間の深刻な不均衡に悩まされる。 本稿では,コサイン正規化,階層的知識蒸留,クラス間マージン損失からなる,新しい生涯学習手法であるMulti-Strategy Rebalancing(MSR)を提案する。
  論文  参考訳（メタデータ） (2021-08-10T04:35:13Z)
• Continual Novelty Detection [37.43667292607965]
  連続学習は新規性検出アルゴリズムの動作に影響を及ぼし、新規性検出は連続学習者の動作に関する洞察を特定できることを示す。 この2つの問題の結合は、ビジョンモデルを実践するための有望な方向であると考えています。
  論文  参考訳（メタデータ） (2021-06-24T12:30:41Z)
• ARCADe: A Rapid Continual Anomaly Detector [25.34227775187408]
  連続異常検出(CAD)の新しい学習問題に対処する。 ニューラルネットをトレーニングするアプローチであるARCADeを提案する。 3つのデータセットを用いた実験の結果、ARCADeは連続学習と異常検出の文献からベースラインを大幅に上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-08-10T11:59:32Z)
• Deep Learning for Anomaly Detection: A Review [150.9270911031327]
  本稿では,3つの高レベルカテゴリと11の細粒度カテゴリの進歩を網羅した包括的分類法による深部異常検出の研究について調査する。 我々は、それらの重要な直観、客観的機能、基礎となる仮定、利点とデメリットをレビューし、上記の課題にどのように対処するかについて議論する。
  論文  参考訳（メタデータ） (2020-07-06T02:21:16Z)

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。