論文の概要: Anomaly Detection with Variance Stabilized Density Estimation
- arxiv url: http://arxiv.org/abs/2306.00582v1
- Date: Thu, 1 Jun 2023 11:52:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-02 16:32:59.175414
- Title: Anomaly Detection with Variance Stabilized Density Estimation
- Title(参考訳): 分散安定化密度推定による異常検出
- Authors: Amit Rozner, Barak Battash, Henry Li, Lior Wolf, Ofir Lindenbaum
- Abstract要約: 密度推定に基づく異常検出スキームは、通常、低密度領域に存在する異常をモデル化する。
修正された密度推定問題を提案し,その異常検出の有効性を実証する。
- 参考スコア(独自算出の注目度): 67.96748304066827
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Density estimation based anomaly detection schemes typically model anomalies
as examples that reside in low-density regions. We propose a modified density
estimation problem and demonstrate its effectiveness for anomaly detection.
Specifically, we assume the density function of normal samples is uniform in
some compact domain. This assumption implies the density function is more
stable (with lower variance) around normal samples than anomalies. We first
corroborate this assumption empirically using a wide range of real-world data.
Then, we design a variance stabilized density estimation problem for maximizing
the likelihood of the observed samples while minimizing the variance of the
density around normal samples. We introduce an ensemble of autoregressive
models to learn the variance stabilized distribution. Finally, we perform an
extensive benchmark with 52 datasets demonstrating that our method leads to
state-of-the-art results while alleviating the need for data-specific
hyperparameter tuning.
- Abstract(参考訳): 密度推定に基づく異常検出スキームは、通常、低密度領域に存在する例として異常をモデル化する。
改良された密度推定問題を提案し,その異常検出の有効性を示す。
具体的には、正規サンプルの密度関数はあるコンパクト領域において一様であると仮定する。
この仮定は、密度関数が異常よりも正常なサンプルのまわりでより安定であることを意味する。
まず、この仮定を幅広い実世界のデータを用いて実証的に裏付ける。
次に, 標準試料周辺の密度の分散を最小にしつつ, 観測試料の確率を最大化する分散安定化密度推定問題を設計する。
分散安定分布を学習するために,自己回帰モデルのアンサンブルを導入する。
最後に,52のデータセットを用いた広範囲なベンチマークを行い,本手法がデータ固有のハイパーパラメータチューニングの必要性を緩和しつつ,最先端の結果につながることを示す。
関連論文リスト
- 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) - Adaptive learning of density ratios in RKHS [3.047411947074805]
有限個の観測から2つの確率密度の比を推定することは、機械学習と統計学における中心的な問題である。
我々は、再生カーネルヒルベルト空間における真の密度比とモデルの間の正規化ブレグマン偏差を最小化する大規模な密度比推定法を分析する。
論文 参考訳(メタデータ) (2023-07-30T08:18:39Z) - Sobolev Space Regularised Pre Density Models [51.558848491038916]
本研究では,ソボレフ法則の正則化に基づく非パラメトリック密度推定法を提案する。
この方法は統計的に一貫したものであり、帰納的検証モデルを明確かつ一貫したものにしている。
論文 参考訳(メタデータ) (2023-07-25T18:47:53Z) - TabADM: Unsupervised Tabular Anomaly Detection with Diffusion Models [5.314466196448187]
本稿では,非教師付き異常検出に有効な拡散型確率モデルを提案する。
本モデルは, 特異な拒絶手法を用いて, サンプルの密度を学習するよう訓練されている。
低密度領域のサンプルとして異常を同定する。
論文 参考訳(メタデータ) (2023-07-23T14:02:33Z) - DensePure: Understanding Diffusion Models towards Adversarial Robustness [110.84015494617528]
拡散モデルの特性を解析し,それらが証明された堅牢性を高める条件を確立する。
事前訓練されたモデル(すなわち分類器)の信頼性向上を目的とした新しいDensePure法を提案する。
このロバストな領域は多重凸集合の和であり、以前の研究で特定されたロバストな領域よりもはるかに大きい可能性が示されている。
論文 参考訳(メタデータ) (2022-11-01T08:18:07Z) - Robust Inference of Manifold Density and Geometry by Doubly Stochastic
Scaling [8.271859911016719]
我々は高次元雑音下で頑健な推論のためのツールを開発する。
提案手法は, セルタイプにまたがる技術的ノイズレベルの変動に頑健であることを示す。
論文 参考訳(メタデータ) (2022-09-16T15:39:11Z) - On the Double Descent of Random Features Models Trained with SGD [78.0918823643911]
勾配降下(SGD)により最適化された高次元におけるランダム特徴(RF)回帰特性について検討する。
本研究では, RF回帰の高精度な非漸近誤差境界を, 定常および適応的なステップサイズSGD設定の下で導出する。
理論的にも経験的にも二重降下現象を観察する。
論文 参考訳(メタデータ) (2021-10-13T17:47:39Z) - 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) - Low-rank Characteristic Tensor Density Estimation Part I: Foundations [38.05393186002834]
テンソル因子化ツールに基づく新しい手法を提案する。
次元の呪いを回避するため、この特性テンソルの低ランクモデルを導入する。
提案手法の有望な性能を,複数の測定データを用いて実証する。
論文 参考訳(メタデータ) (2020-08-27T18:06:19Z) - Density Deconvolution with Normalizing Flows [26.395910367497592]
正規化流れの高密度推定性能を利用して任意の雑音分布を推定する。
実データによる実験では、流れは密度のデコンボリューションのために既にガウス混合を上回っている。
論文 参考訳(メタデータ) (2020-06-16T18:00:04Z)
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。