論文の概要: Exploring exotic configurations with anomalous features with deep learning: Application of classical and quantum-classical hybrid anomaly detection

• arxiv url: http://arxiv.org/abs/2304.08616v1
• Date: Mon, 17 Apr 2023 21:10:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-19 16:32:41.127497
• Title: Exploring exotic configurations with anomalous features with deep learning: Application of classical and quantum-classical hybrid anomaly detection
• Title（参考訳）: 深層学習による異常特徴を持つ異方性構成の探索:古典的および量子古典的ハイブリッド異常検出の適用
• Authors: Kumar J. B. Ghosh, Sumit Ghosh
• Abstract要約: 本稿では,古典的および量子古典的ハイブリッド異常検出手法を適用し,異常な特徴を持つエキゾチックな構成を探索する。 私たちのアプローチは本質的に非常に汎用的であり、新しい設定を見つけるために多数のパラメータに依存するあらゆるシステムで使用できます。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper we present the application of classical and quantum-classical hybrid anomaly detection schemes to explore exotic configuration with anomalous features. We consider the Anderson model as a prototype where we define two types of anomalies - a high conductance in presence of strong impurity and low conductance in presence of weak impurity - as a function of random impurity distribution. Such anomalous outcome constitutes less than 10% of a data set and is not a part of the training process. The anomaly detection is therefore more suitable to detect unknown features which is not possible with conventional classification or regression methods. We also present a systematic study of the performance of the classical and the hybrid method and show that the inclusion of a quantum circuit significantly enhances the performance of anomaly detection which we quantify with suitable performance metrics. Our approach is quite generic in nature and can be used for any system that relies on a large number of parameters to find their new configurations which can hold exotic new features.
• Abstract（参考訳）: 本稿では,古典的および量子古典的ハイブリッド異常検出手法を応用し,異常な特徴を持つエキゾチックな構成を探索する。 我々はアンダーソンモデルを,強い不純物の存在下での高コンダクタンスと弱い不純物の存在下での低コンダクタンスという2種類の異常をランダムな不純物分布の関数として定義するプロトタイプとみなす。 このような異常な結果はデータセットの10%未満を占め、トレーニングプロセスの一部ではない。 したがって、異常検出は、従来の分類や回帰法では不可能である未知の特徴を検出するのにより適している。 また、古典的手法とハイブリッド法の性能を体系的に研究し、量子回路の導入により、適切な性能指標で定量化できる異常検出の性能が著しく向上することを示した。 私たちのアプローチは本質的に非常に汎用的であり、エキゾチックな新機能を保持できる新しい構成を見つけるために多くのパラメータに依存するあらゆるシステムで使用できます。

関連論文リスト

• 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)
• Don't Miss Out on Novelty: Importance of Novel Features for Deep Anomaly Detection [64.21963650519312]
  異常検出(AD)は、正規性の学習モデルに適合しない観察を識別する重要なタスクである。 本稿では, 入力空間における説明不能な観測として, 説明可能性を用いた新しいAD手法を提案する。 当社のアプローチでは,複数のベンチマークにまたがる新たな最先端性を確立し,さまざまな異常な型を扱う。
  論文  参考訳（メタデータ） (2023-10-01T21:24:05Z)
• SaliencyCut: Augmenting Plausible Anomalies for Anomaly Detection [24.43321988051129]
  そこで本稿では,SaliencyCutという新たなデータ拡張手法を提案する。 次に、各サンプルから微細な異常特徴を抽出し評価するために、異常学習ヘッドにパッチワイド残余モジュールを新規に設計する。
  論文  参考訳（メタデータ） (2023-06-14T08:55:36Z)
• Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
  本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。 PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。 異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
  論文  参考訳（メタデータ） (2022-12-05T05:03:46Z)
• Unravelling quantum chaos using persistent homology [0.0]
  トポロジカルデータ分析は、複雑なデータセットから有用なトポロジカル情報を抽出する強力なフレームワークである。 近年の研究では、古典的な散逸系の力学解析への応用が示されている。 古典的アプローチから着想を得た量子力学を特徴付けるトポロジカルパイプラインを提案する。
  論文  参考訳（メタデータ） (2022-11-28T07:33:21Z)
• 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)
• Enhancing Detection of Topological Order by Local Error Correction [0.5025737475817937]
  本稿では,誤り訂正法と再正規化群流の考え方を組み合わせることで,位相状態の定量化のための新しいパラダイムを提案する。 様々な摂動条件下でのトーリック符号の数値シミュレーションを用いてLEDのパワーを実証する。 次に、Rydberg-atomシミュレータ上に生成した量子スピン液体の新しい洞察を提供する実験的な実現に適用する。
  論文  参考訳（メタデータ） (2022-09-26T05:31:04Z)
• Calibrated One-class Classification for Unsupervised Time Series Anomaly Detection [27.15951068292889]
  本稿では,異常検出のための一級分類を提案する。 データの正規性の汚染耐性、異常なインフォームド学習を実現する。 我々のモデルは16人の最先端の競争者に対して大幅な改善を達成している。
  論文  参考訳（メタデータ） (2022-07-25T13:43:13Z)
• Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection [90.32910087103744]
  ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。 これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。 トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。 本稿では,オープンセット型教師付き異常検出に取り組む。
  論文  参考訳（メタデータ） (2022-03-28T05:21:37Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• A Survey on Anomaly Detection for Technical Systems using LSTM Networks [0.0]
  異常は、意図されたシステムの動作から逸脱し、部分的または完全なシステム障害と同様に効率が低下する可能性がある。 本稿では,ディープニューラルネットワーク,特に長期記憶ネットワークを用いた最先端異常検出に関する調査を行う。 調査したアプローチは、アプリケーションシナリオ、データ、異常タイプ、およびさらなるメトリクスに基づいて評価される。
  論文  参考訳（メタデータ） (2021-05-28T13:24:40Z)

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。