論文の概要: AnoOnly: Semi-Supervised Anomaly Detection without Loss on Normal Data
- arxiv url: http://arxiv.org/abs/2305.18798v2
- Date: Tue, 5 Sep 2023 16:03:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-07 04:54:13.848125
- Title: AnoOnly: Semi-Supervised Anomaly Detection without Loss on Normal Data
- Title（参考訳）: AnoOnly: 通常のデータにロスのない半教師付き異常検出
- Authors: Yixuan Zhou, Peiyu Yang, Yi Qu, Xing Xu, Zhe Sun, Andrzej Cichocki
- Abstract要約: 我々は AnoOnly (Anomaly Only) と呼ばれる新しいフレームワークを開発する。
厳格な損失監視を利用する既存のSSADメソッドとは異なり、AnoOnlyはそれを停止し、通常のデータに対する弱い監視形式を導入している。
既存のSSADメソッドに統合されると、提案されたAnoOnlyは、さまざまなモデルやデータセットにわたる顕著なパフォーマンス向上を示す。
- 参考スコア（独自算出の注目度）: 27.478283101082834
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semi-supervised anomaly detection (SSAD) methods have demonstrated their
effectiveness in enhancing unsupervised anomaly detection (UAD) by leveraging
few-shot but instructive abnormal instances. However, the dominance of
homogeneous normal data over anomalies biases the SSAD models against
effectively perceiving anomalies. To address this issue and achieve balanced
supervision between heavily imbalanced normal and abnormal data, we develop a
novel framework called AnoOnly (Anomaly Only). Unlike existing SSAD methods
that resort to strict loss supervision, AnoOnly suspends it and introduces a
form of weak supervision for normal data. This weak supervision is instantiated
through the utilization of batch normalization, which implicitly performs
cluster learning on normal data. When integrated into existing SSAD methods,
the proposed AnoOnly demonstrates remarkable performance enhancements across
various models and datasets, achieving new state-of-the-art performance.
Additionally, our AnoOnly is natively robust to label noise when suffering from
data contamination. Our code is publicly available at
https://github.com/cool-xuan/AnoOnly.
- Abstract（参考訳）: semi-supervised anomaly detection (ssad) 法は、少数ながら指導的な異常インスタンスを活用することで、unsupervised anomaly detection (uad) を強化する効果を実証した。
しかしながら、異常に対する均質な正規データの優位は、ssadモデルを効果的に知覚する異常に対してバイアスする。
この問題に対処し,不均衡な正規データと異常データとのバランスの取れた監督を実現するために,anoonly (anomaly only) と呼ばれる新しいフレームワークを開発した。
厳格な損失監視を行う既存のssadメソッドとは異なり、ano onlyはそれを中断し、通常のデータに対する弱い監視方式を導入する。
この弱い監視はバッチ正規化を利用してインスタンス化され、通常のデータ上でクラスタ学習を暗黙的に実行する。
既存のssadメソッドに組み込むと、提案されたanoのみは様々なモデルとデータセットにまたがる顕著なパフォーマンス向上を示し、新しい最先端のパフォーマンスを達成する。
さらに、私たちのanoonlyは、データ汚染に苦しんでいるときにノイズをラベル付けするためにネイティブに堅牢です。
私たちのコードはhttps://github.com/cool-xuan/anoonlyで公開されています。
関連論文リスト
- Semi-supervised learning via DQN for log anomaly detection [1.5339370927841764]
ログ異常検出における現在の手法は、ラベルなしデータの未使用、正規クラスと異常クラスのデータの不均衡、偽陽性と偽陰性率などの課題に直面している。
本稿では,DQNLogと呼ばれる半教師付きログ異常検出手法を提案する。
広く使われている3つのデータセット上でDQNLogを評価し、大規模未ラベルデータを効果的に活用できることを実証した。
論文 参考訳（メタデータ） (2024-01-06T08:04:13Z) - AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。
既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。
本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文 参考訳（メタデータ） (2023-12-10T05:13:40Z) - Open-Set Graph Anomaly Detection via Normal Structure Regularisation [30.638274744518682]
Open-set Graph Anomaly Detection (GAD)は、少数の正規ノードと異常ノードを使用して検出モデルをトレーニングすることを目的としている。
現在の監督型GAD法は、目に見えない異常を正常なノードとして検出する多くの誤りを招き、その異常を過度に強調する傾向にある。
本稿では,新しいオープンセットGAD手法,すなわち正規構造正規化(NSReg)を提案する。
論文 参考訳（メタデータ） (2023-11-12T13:25:28Z) - RoSAS: Deep Semi-Supervised Anomaly Detection with
Contamination-Resilient Continuous Supervision [21.393509817509464]
本稿では, テクスト汚染耐性連続監視信号を考案した, 半教師付き異常検出手法を提案する。
当社のアプローチは、AUC-PRにおいて最先端の競合他社を20%-30%上回っている。
論文 参考訳（メタデータ） (2023-07-25T04:04:49Z) - Synthetic Pseudo Anomalies for Unsupervised Video Anomaly Detection: A
Simple yet Efficient Framework based on Masked Autoencoder [1.9511777443446219]
本稿では,ビデオ異常検出のための簡易かつ効率的なフレームワークを提案する。
擬似異常サンプルは、余分なデータ処理をせずにランダムマスクトークンを埋め込み、正規データのみから合成する。
また、正規性とそれに対応する擬似異常データから正規知識をよりよく学習するよう、AEsに促す正規性整合性訓練戦略を提案する。
論文 参考訳（メタデータ） (2023-03-09T08:33:38Z) - Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。
本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。
HypADは自己指導で入力信号を再構築する。
論文 参考訳（メタデータ） (2022-11-16T21:31:39Z) - Learning Not to Reconstruct Anomalies [14.632592282260363]
オートエンコーダ(AE)は、通常のデータのみからなるトレーニングセットで入力を再構築するために訓練される。
AEは、異常なデータを十分に再構築しつつ、正常なデータを適切に再構築することが期待されている。
本稿では,入力によらず,通常のデータのみを再構築する目的で,AEを訓練するための新しい手法を提案する。
論文 参考訳（メタデータ） (2021-10-19T05:22:38Z) - 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) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳（メタデータ） (2020-09-16T15:52:04Z) - Toward Deep Supervised Anomaly Detection: Reinforcement Learning from
Partially Labeled Anomaly Data [150.9270911031327]
本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。
既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。
そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2020-09-15T03:05:39Z) - 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。