論文の概要: AD-MERCS: Modeling Normality and Abnormality in Unsupervised Anomaly Detection

• arxiv url: http://arxiv.org/abs/2305.12958v1
• Date: Mon, 22 May 2023 12:09:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-23 16:22:45.456057
• Title: AD-MERCS: Modeling Normality and Abnormality in Unsupervised Anomaly Detection
• Title（参考訳）: AD-MERCS: 教師なし異常検出における正規性と異常のモデル化
• Authors: Jonas Soenen, Elia Van Wolputte, Vincent Vercruyssen, Wannes Meert, and Hendrik Blockeel
• Abstract要約: 本稿では,AD-MERCSについて述べる。 AD-MERCSは、パターンが存在するインスタンス空間の複数の部分空間を特定し、これらのパターンから逸脱するインスタンスを特徴付ける条件を特定する。 実験により、この正規性と異常の両方のモデリングにより、幅広い種類の異常に対して異常検出器が動作できることが示されている。
• 参考スコア（独自算出の注目度）: 12.070251470948772
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most anomaly detection systems try to model normal behavior and assume anomalies deviate from it in diverse manners. However, there may be patterns in the anomalies as well. Ideally, an anomaly detection system can exploit patterns in both normal and anomalous behavior. In this paper, we present AD-MERCS, an unsupervised approach to anomaly detection that explicitly aims at doing both. AD-MERCS identifies multiple subspaces of the instance space within which patterns exist, and identifies conditions (possibly in other subspaces) that characterize instances that deviate from these patterns. Experiments show that this modeling of both normality and abnormality makes the anomaly detector performant on a wide range of types of anomalies. Moreover, by identifying patterns and conditions in (low-dimensional) subspaces, the anomaly detector can provide simple explanations of why something is considered an anomaly. These explanations can be both negative (deviation from some pattern) as positive (meeting some condition that is typical for anomalies).
• Abstract（参考訳）: ほとんどの異常検出システムは、正常な振る舞いをモデル化し、様々な方法で異常から逸脱することを前提としている。 しかし、異常にもパターンが存在する可能性がある。 理想的には、異常検出システムは正常行動と異常行動の両方のパターンを活用できる。 本稿では,アノマリー検出のための教師なしアプローチであるad-mercsを提案する。 AD-MERCSは、パターンが存在するインスタンス空間の複数の部分空間を特定し、これらのパターンから逸脱するインスタンスを特徴付ける条件(おそらく他の部分空間)を特定する。 実験により、この正規性と異常の両方のモデリングにより、幅広い種類の異常に対して異常検出器が動作できることが示されている。 さらに、(低次元)部分空間におけるパターンと条件を識別することにより、異常検出器は、なぜ何かが異常と見なされるのかを簡単に説明できる。 これらの説明はどちらも負(あるパターンからの逸脱)であり、正である(異常に典型的な条件を満たす)。

関連論文リスト

• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• Anomaly Heterogeneity Learning for Open-set Supervised Anomaly Detection [26.08881235151695]
  オープンセット型教師付き異常検出(OSAD)は、トレーニング中に見られたいくつかの異常クラスのサンプルを利用して、見えない異常を検出することを目的としている。 異種不均一分布の多様集合をシミュレートする新しいアプローチ,すなわちAHL(Anomaly Heterogeneity Learning)を導入する。 AHL can 1) は, 目に見える異常や見えない異常の検出において, 最先端のOSADモデルを大幅に強化し, 2) 新たな領域の異常を効果的に一般化することを示した。
  論文  参考訳（メタデータ） (2023-10-19T14:47:11Z)
• 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)
• Explicit Boundary Guided Semi-Push-Pull Contrastive Learning for Supervised Anomaly Detection [14.27685411466415]
  ほとんどの異常検出(AD)モデルは、教師なしの方法で通常のサンプルのみを使用して学習される。 そこで本研究では,新しい境界案内型半プッシュプルコントラスト学習機構を提案する。
  論文  参考訳（メタデータ） (2022-07-04T14:50:23Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• 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)
• Variation and generality in encoding of syntactic anomaly information in sentence embeddings [7.132368785057315]
  文中の異常が発生する階層レベルが異なる探索タスクを設計することにより、異常符号化の微妙な相違について検討する。 我々は、与えられた異常を検出するモデルだけでなく、検出された異常信号の一般性もテストする。 その結果、全てのモデルが異常検出をサポートする情報を符号化しているが、検出性能は異常毎に異なることが示唆された。
  論文  参考訳（メタデータ） (2021-11-12T10:23:43Z)
• 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)
• Deep Weakly-supervised Anomaly Detection [118.55172352231381]
  ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。 PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。 12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
  論文  参考訳（メタデータ） (2019-10-30T00:40:25Z)

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。