論文の概要: Fascinating Supervisory Signals and Where to Find Them: Deep Anomaly
Detection with Scale Learning
- arxiv url: http://arxiv.org/abs/2305.16114v1
- Date: Thu, 25 May 2023 14:48:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-26 14:39:31.836608
- Title: Fascinating Supervisory Signals and Where to Find Them: Deep Anomaly
Detection with Scale Learning
- Title(参考訳): 魅力的な監視信号とそれを見つける場所: スケール学習による深部異常検出
- Authors: Hongzuo Xu and Yijie Wang and Juhui Wei and Songlei Jian and Yizhou Li
and Ning Liu
- Abstract要約: 我々は、データラベルとして特性-スケール-を導入することで、データのための新しいデータ駆動監視を考案する。
スケールは変換された表現にアタッチされたラベルとして機能し、ニューラルネットワークのトレーニングに十分なラベル付きデータを提供する。
本稿では,大規模学習に基づく異常検出手法を提案する。
- 参考スコア(独自算出の注目度): 11.245813423781415
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Due to the unsupervised nature of anomaly detection, the key to fueling deep
models is finding supervisory signals. Different from current
reconstruction-guided generative models and transformation-based contrastive
models, we devise novel data-driven supervision for tabular data by introducing
a characteristic -- scale -- as data labels. By representing varied sub-vectors
of data instances, we define scale as the relationship between the
dimensionality of original sub-vectors and that of representations. Scales
serve as labels attached to transformed representations, thus offering ample
labeled data for neural network training. This paper further proposes a scale
learning-based anomaly detection method. Supervised by the learning objective
of scale distribution alignment, our approach learns the ranking of
representations converted from varied subspaces of each data instance. Through
this proxy task, our approach models inherent regularities and patterns within
data, which well describes data "normality". Abnormal degrees of testing
instances are obtained by measuring whether they fit these learned patterns.
Extensive experiments show that our approach leads to significant improvement
over state-of-the-art generative/contrastive anomaly detection methods.
- Abstract(参考訳): 異常検出の教師なしの性質から、深層モデルの燃料となる鍵は監視信号を見つけることである。
現在の再構築誘導型生成モデルや変換に基づくコントラストモデルと異なり、データラベルとして-スケール特性を導入することにより、表データに対する新たなデータ駆動型監視を考案する。
データインスタンスの様々なサブベクターを表現することにより、スケールを元のサブベクターの次元と表現の関係として定義する。
スケールは変換表現に付加されたラベルとして機能するので、ニューラルネットワークトレーニングのための豊富なラベル付きデータを提供する。
本稿ではさらに,スケール学習に基づく異常検出法を提案する。
大規模分散アライメントの学習目標により,各データインスタンスの様々な部分空間から変換された表現のランク付けを学習する。
このプロキシタスクを通じて、我々のアプローチはデータ内の固有の正規性とパターンをモデル化します。
これらの学習パターンに適合するかどうかを測定することで、異常なテストインスタンスが得られる。
広範な実験により,本手法は最先端のジェネレーティブ・コントラスト・アノマリー検出法よりも大幅に改善することが示された。
関連論文リスト
- A topological classifier to characterize brain states: When shape
matters more than variance [0.0]
トポロジカルデータ分析(TDA)は、永続化記述子を用いてデータ雲の形状を研究することを目的としている。
本稿では,データサブセットへの新たな入力の追加によるトポロジカルメトリクスの定量化変化の原理に基づいた,TDAに基づく新しい分類手法を提案する。
論文 参考訳(メタデータ) (2023-03-07T20:45:15Z) - Metric Distribution to Vector: Constructing Data Representation via
Broad-Scale Discrepancies [15.40538348604094]
本稿では,各データに対するベクトル表現に分布特性を抽出するために, $mathbfMetricDistribution2vec$ という新しい埋め込み方式を提案する。
本研究では,広範囲な実世界構造グラフデータセット上での教師付き予測タスクにおける表現法の適用と有効性を示す。
論文 参考訳(メタデータ) (2022-10-02T03:18:30Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [93.68531382792366]
本稿では,深層畳み込み型オートエンコーダのための自己教師型学習システムを提案する。
モデルが修正された再構成エラーによってデータ多様体に集中するように調整しながら、トレーニング中に識別情報を使用することができる。
MVTec 異常検出データセットに対する実験により,提案手法の高精度な認識とローカライゼーション性能が示された。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Gradient-Based Adversarial and Out-of-Distribution Detection [15.510581400494207]
ニューラルネットワークの効率的な表現性を調べるために,勾配生成における共起ラベルを導入する。
我々の勾配に基づくアプローチは、モデルの効果的な表現率に基づいて入力の異常を捉えることができることを示す。
論文 参考訳(メタデータ) (2022-06-16T15:50:41Z) - Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。
まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。
次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
論文 参考訳(メタデータ) (2021-12-31T10:03:47Z) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳(メタデータ) (2021-11-30T18:42:42Z) - SLA$^2$P: Self-supervised Anomaly Detection with Adversarial
Perturbation [77.71161225100927]
異常検出は、機械学習の基本的な問題であるが、難しい問題である。
本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
論文 参考訳(メタデータ) (2021-11-25T03:53:43Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳(メタデータ) (2021-02-27T03:17:20Z) - Backpropagated Gradient Representations for Anomaly Detection [19.191613437266184]
異常は、通常のデータと比較して、それらを完全に表現するために、より劇的なモデル更新を必要とする。
本稿では,勾配に基づく表現を用いた提案手法が,ベンチマーク画像認識データセットにおける最先端の異常検出性能を実現することを示す。
論文 参考訳(メタデータ) (2020-07-18T19:39:42Z) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2020-03-24T08:26:58Z) - Correlation-aware Deep Generative Model for Unsupervised Anomaly
Detection [9.578395294627057]
教師なし異常検出は、高度に複雑で非構造的なデータから異常なサンプルを特定することを目的としている。
本稿では,Deep Gaussian Mixture Model (CADGMM) を用いた教師なし異常検出手法を提案する。
実世界のデータセットを用いた実験により,提案手法の有効性が示された。
論文 参考訳(メタデータ) (2020-02-18T03:32:06Z)
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。