論文の概要: Zero-shot domain adaptation of anomalous samples for semi-supervised anomaly detection

• arxiv url: http://arxiv.org/abs/2304.02221v1
• Date: Wed, 5 Apr 2023 04:29:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-06 13:28:56.745932
• Title: Zero-shot domain adaptation of anomalous samples for semi-supervised anomaly detection
• Title（参考訳）: 半教師付き異常検出のための異常サンプルのゼロショット領域適応
• Authors: Tomoya Nishida and Takashi Endo and Yohei Kawaguchi
• Abstract要約: 半教師付き異常検出は、通常のデータと限られた数の異常データをトレーニングに利用できるタスクである。 本稿では,ターゲット領域に異常データがないSSADのドメイン適応手法を提案する。 実験の結果,提案手法は,対象領域に異常データがない場合に,対象領域にSSADモデルを適応させるのに役立つことがわかった。
• 参考スコア（独自算出の注目度）: 7.219077740523682
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semi-supervised anomaly detection~(SSAD) is a task where normal data and a limited number of anomalous data are available for training. In practical situations, SSAD methods suffer adapting to domain shifts, since anomalous data are unlikely to be available for the target domain in the training phase. To solve this problem, we propose a domain adaptation method for SSAD where no anomalous data are available for the target domain. First, we introduce a domain-adversarial network to a variational auto-encoder-based SSAD model to obtain domain-invariant latent variables. Since the decoder cannot reconstruct the original data solely from domain-invariant latent variables, we conditioned the decoder on the domain label. To compensate for the missing anomalous data of the target domain, we introduce an importance sampling-based weighted loss function that approximates the ideal loss function. Experimental results indicate that the proposed method helps adapt SSAD models to the target domain when no anomalous data are available for the target domain.
• Abstract（参考訳）: semi-supervised anomaly detection~(ssad)は、通常のデータと限られた数の異常データがトレーニングに利用できるタスクである。 実際の状況では、ssadメソッドは、トレーニングフェーズでターゲットドメインに対して異常なデータが利用できないため、ドメインシフトへの適応に苦しむ。 この問題を解決するために,ターゲット領域に異常なデータが存在しないSSADのドメイン適応手法を提案する。 まず,可変オートエンコーダに基づくssadモデルにドメイン逆ネットワークを導入し,ドメイン不変な潜在変数を得る。 デコーダは、ドメイン不変の潜在変数からのみオリジナルのデータを再構成できないため、デコーダをドメインラベルに条件付けした。 対象領域の異常なデータの欠落を補うために,理想的損失関数に近似したサンプリングに基づく重み付き損失関数を導入する。 実験の結果,提案手法は,対象領域に異常データがない場合に,対象領域にSSADモデルを適用するのに役立つことがわかった。

関連論文リスト

• DACAD: Domain Adaptation Contrastive Learning for Anomaly Detection in Multivariate Time Series [25.434379659643707]
  時系列異常検出では、ラベル付きデータの不足が正確なモデルの開発に困難をもたらす。 時系列における異常検出のための新しいドメインコントラスト学習モデル(DACAD)を提案する。 本モデルでは,ソース領域に対する教師付きコントラスト損失と,ターゲット領域に対する自己監督型コントラスト型3重項損失を用いる。
  論文  参考訳（メタデータ） (2024-04-17T11:20:14Z)
• Subject-Based Domain Adaptation for Facial Expression Recognition [51.10374151948157]
  ディープラーニングモデルを特定の対象個人に適用することは、難しい表情認識タスクである。 本稿では、FERにおける主観的ドメイン適応のための新しいMSDA手法を提案する。 複数の情報源からの情報を効率的に利用して、ディープFERモデルを単一のターゲット個人に適応させる。
  論文  参考訳（メタデータ） (2023-12-09T18:40:37Z)
• Learning Unbiased Transferability for Domain Adaptation by Uncertainty Modeling [107.24387363079629]
  ドメイン適応は、ラベル付けされたソースドメインからラベル付けされていない、あるいはラベル付けされていないが関連するターゲットドメインに知識を転送することを目的としています。 ソース内のアノテートされたデータの量とターゲットドメインとの間の不均衡のため、ターゲットの分布のみがソースドメインにアライメントされる。 本稿では,非暴力的非暴力的移動可能性推定プラグイン(UTEP)を提案し,非暴力的移動を最適化するDA法において,識別器の不確実性をモデル化する。
  論文  参考訳（メタデータ） (2022-06-02T21:58:54Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• Certainty Volume Prediction for Unsupervised Domain Adaptation [35.984559137218504]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベルなしのターゲットドメインデータを分類する問題を扱う。 特徴空間における多変量ガウス分布としての不確かさをモデル化する新しい不確実性対応領域適応構成を提案する。 提案したパイプラインを、挑戦的なUDAデータセットに基づいて評価し、最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-11-03T11:22:55Z)
• Unsupervised domain adaptation with non-stochastic missing data [0.6608945629704323]
  対象領域に欠落するデータが存在する場合の分類問題に対する教師なし領域適応(UDA)について検討する。 命令はドメイン不変の潜在空間で実行され、完全なソースドメインからの間接的な監視を利用する。 データセットの適応、分類、計算を共同で行う利点を示す。
  論文  参考訳（メタデータ） (2021-09-16T06:37:07Z)
• Importance Weighted Adversarial Discriminative Transfer for Anomaly Detection [15.63763317103138]
  本論文では,異常検知知識を教師なしに転送する重み付け型自動エンコーダ法を提案する。 具体的には、ソース領域とターゲット領域の両方で正規データの分布を調整することを学習するが、ターゲット領域における異常データの分布は変わらない。 このようにして、対象領域内の正常データと異常データの分布との間に明らかなギャップが生じ、ドメイン内の異常検出を可能にする。
  論文  参考訳（メタデータ） (2021-05-14T05:21:17Z)
• Domain Adaptation with Incomplete Target Domains [61.68950959231601]
  本稿では、この新たなドメイン適応問題に対処するために、不完全データインプットに基づく Adversarial Network (IDIAN) モデルを提案する。 提案モデルでは,対象領域における部分的な観測に基づいて,欠落した特徴値を満たすデータ計算モジュールを設計する。 我々は、クロスドメインベンチマークタスクと、不完全なターゲットドメインを用いた実世界適応タスクの両方で実験を行う。
  論文  参考訳（メタデータ） (2020-12-03T00:07:40Z)
• Open-Set Hypothesis Transfer with Semantic Consistency [99.83813484934177]
  本稿では,対象データの変換における意味的一貫性に着目した手法を提案する。 本モデルはまず,自信ある予測を発見し,擬似ラベルを用いた分類を行う。 その結果、ラベルなしデータは、ソースクラスまたは未知のクラスに一致した識別クラスに分類される。
  論文  参考訳（メタデータ） (2020-10-01T10:44:31Z)
• Anomaly Detection with Domain Adaptation [5.457279006229213]
  この問題を解決するために,不変表現異常検出(IRAD)を提案する。 抽出は、ソース固有のエンコーダやジェネレータと共に訓練されたクロスドメインエンコーダによって達成される。 我々は、桁画像データセット(MNIST、USPS、SVHN)とオブジェクト認識データセット(Office-Home)に基づいて、IRADを広範囲に評価する。
  論文  参考訳（メタデータ） (2020-06-05T21:05:19Z)
• Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adaptation [102.67010690592011]
  Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。 従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。 この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
  論文  参考訳（メタデータ） (2020-02-20T03:13:58Z)

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。