Fugu-MT 論文翻訳(概要): Real time dense anomaly detection by learning on synthetic negative data

論文の概要: Real time dense anomaly detection by learning on synthetic negative data

arxiv url: http://arxiv.org/abs/2305.15227v1
Date: Wed, 24 May 2023 15:09:41 GMT
ステータス: 処理完了
システム内更新日: 2023-05-25 15:01:01.186935
Title: Real time dense anomaly detection by learning on synthetic negative data
Title（参考訳）: 合成負データを用いた学習によるリアルタイム高密度異常検出
Authors: Anja Deli\'c and Matej Grci\'c and Sini\v{s}a \v{S}egvi\'c
Abstract要約: 差別的予測のクロスエントロピーに応じて同じ共有表現を最適化する最近のハイブリッド手法について考察する。我々は、この処理を、不整合分布の境界における合成陰性をサンプリングする、共同で訓練された生成フローで拡張する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Most approaches to dense anomaly detection rely on generative modeling or on discriminative methods that train with negative data. We consider a recent hybrid method that optimizes the same shared representation according to cross-entropy of the discriminative predictions, and negative log likelihood of the predicted energy-based density. We extend that work with a jointly trained generative flow that samples synthetic negatives at the border of the inlier distribution. The proposed extension provides potential to learn the hybrid method without real negative data. Our experiments analyze the impact of training with synthetic negative data and validate contribution of the energy-based density during training and evaluation.
Abstract（参考訳）: 密度異常検出へのほとんどのアプローチは、生成的モデリングや、負のデータで訓練する識別的手法に依存している。判別的予測のクロスエントロピーと予測されたエネルギーベース密度の負の対数確率に応じて同じ共有表現を最適化する最近のハイブリッド手法を検討する。我々は、その作業を、慣性分布の境界で合成陰性をサンプリングする、合同で訓練された生成フローで拡張する。提案する拡張は,実負のデータを用いずにハイブリッド手法を学習できる可能性を提供する。実験は,合成陰性データを用いたトレーニングの効果を分析し,訓練と評価におけるエネルギー密度の寄与を検証する。

関連論文リスト

Assumption-Lean Post-Integrated Inference with Negative Control Outcomes [0.0]
負の制御結果を用いて遅延不均一性を調整する頑健なポストインテグレート推論(PII)手法を提案する。提案手法は,予測された直接効果推定値,隠された仲介者,共同設立者,モデレーターまで拡張する。提案された二重頑健な推定器は、最小の仮定と潜在的な不特定性の下で一貫性があり、効率的である。
論文参考訳（メタデータ） (2024-10-07T12:52:38Z)
Diffusion-based Negative Sampling on Graphs for Link Prediction [8.691564173331924]
リンク予測は、ソーシャルネットワーク分析やレコメンデーションシステムなど、Web上の重要なアプリケーションを用いたグラフ解析の基本的なタスクである。本稿では,潜在空間からフレキシブルかつ制御可能な硬さのレベルを持つ負ノード生成を可能にする,マルチレベル負サンプリングの新しい手法を提案する。条件拡散に基づくマルチレベル負サンプリング (DMNS) と呼ばれる本手法は, 拡散モデルのマルコフ連鎖特性を利用して, 可変硬度の複数レベルにおいて負のノードを生成する。
論文参考訳（メタデータ） (2024-03-25T23:07:31Z)
Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文参考訳（メタデータ） (2024-02-19T02:08:09Z)
On the Effectiveness of Hybrid Mutual Information Estimation [1.0312968200748118]
共同分布からのサンプルからの相互情報を推定することは、科学と工学において難しい問題である。本研究では,識別的アプローチと生成的アプローチの両方を一般化する変動境界を実現する。予測量子化(PQ: Predictive Quantization)は,計算オーバーヘッドを最小限に抑えるために,識別的推定器と簡単に組み合わせることができる簡易な生成法である。
論文参考訳（メタデータ） (2023-06-01T12:26:07Z)
Learn from Unpaired Data for Image Restoration: A Variational Bayes Approach [18.007258270845107]
境界分布から抽出したデータから結合確率密度関数を学習するための深層生成法 LUD-VAE を提案する。本稿では,LUD-VAEによって生成された合成データを用いて,実世界の画像認識と超分解能タスクに適用し,モデルを訓練する。
論文参考訳（メタデータ） (2022-04-21T13:27:17Z)
A Robust and Flexible EM Algorithm for Mixtures of Elliptical Distributions with Missing Data [71.9573352891936]
本稿では、ノイズや非ガウス的なデータに対するデータ計算の欠如に対処する。楕円分布と潜在的な欠落データを扱う特性を混合した新しいEMアルゴリズムについて検討した。合成データの実験的結果は,提案アルゴリズムが外れ値に対して頑健であり,非ガウスデータで使用可能であることを示す。
論文参考訳（メタデータ） (2022-01-28T10:01:37Z)
Rethinking InfoNCE: How Many Negative Samples Do You Need? [54.146208195806636]
半定量的理論フレームワークを用いて, InfoNCE に最適化された負のサンプル数について検討した。トレーニングの有効性関数を最大化する$K$値を用いて,最適負サンプリング比を推定する。
論文参考訳（メタデータ） (2021-05-27T08:38:29Z)
Improving Maximum Likelihood Training for Text Generation with Density Ratio Estimation [51.091890311312085]
本稿では,テキスト生成で遭遇する大規模なサンプル空間において,効率よく安定な自動回帰シーケンス生成モデルのトレーニング手法を提案する。本手法は,品質と多様性の両面で,最大類似度推定や他の最先端シーケンス生成モデルよりも安定に優れている。
論文参考訳（メタデータ） (2020-07-12T15:31:24Z)
Balance-Subsampled Stable Prediction [55.13512328954456]
本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
論文参考訳（メタデータ） (2020-06-08T07:01:38Z)
Understanding Negative Sampling in Graph Representation Learning [87.35038268508414]
最適化目標と結果のばらつきを決定するためには, 正のサンプリングと同様に負のサンプリングが重要であることを示す。我々は,自己コントラスト近似による正の分布を近似し,メトロポリス・ハスティングスによる負のサンプリングを高速化するメトロポリス・ハスティングス(MCNS)を提案する。提案手法は,リンク予測,ノード分類,パーソナライズドレコメンデーションを含む,下流グラフ学習タスクをカバーする5つのデータセットに対して評価する。
論文参考訳（メタデータ） (2020-05-20T06:25:21Z)

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。