論文の概要: Exploring Global and Local Information for Anomaly Detection with Normal
Samples
- arxiv url: http://arxiv.org/abs/2306.02025v1
- Date: Sat, 3 Jun 2023 06:51:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-06 20:32:25.415489
- Title: Exploring Global and Local Information for Anomaly Detection with Normal
Samples
- Title(参考訳): 正常サンプルを用いた異常検出のためのグローバル・ローカル情報探索
- Authors: Fan Xu, Nan Wang, Xibin Zhao
- Abstract要約: 異常検出は、通常のパターンに従わないデータを検出することを目的としており、そのようなデータはoutliersとも呼ばれる。
多くの現実的なシナリオでは、正常な振る舞いに従うサンプルのみが観察されるが、異常な情報はほとんど得られない。
本稿では, 異常検出手法であるGALDetectorを提案する。
- 参考スコア(独自算出の注目度): 23.68962459770419
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomaly detection aims to detect data that do not conform to regular
patterns, and such data is also called outliers. The anomalies to be detected
are often tiny in proportion, containing crucial information, and are suitable
for application scenes like intrusion detection, fraud detection, fault
diagnosis, e-commerce platforms, et al. However, in many realistic scenarios,
only the samples following normal behavior are observed, while we can hardly
obtain any anomaly information. To address such problem, we propose an anomaly
detection method GALDetector which is combined of global and local information
based on observed normal samples. The proposed method can be divided into a
three-stage method. Firstly, the global similar normal scores and the local
sparsity scores of unlabeled samples are computed separately. Secondly,
potential anomaly samples are separated from the unlabeled samples
corresponding to these two scores and corresponding weights are assigned to the
selected samples. Finally, a weighted anomaly detector is trained by loads of
samples, then the detector is utilized to identify else anomalies. To evaluate
the effectiveness of the proposed method, we conducted experiments on three
categories of real-world datasets from diverse domains, and experimental
results show that our method achieves better performance when compared with
other state-of-the-art methods.
- Abstract(参考訳): 異常検出は、通常のパターンに従わないデータを検出することを目的としており、そのようなデータはoutliersとも呼ばれる。
検出される異常はしばしば比率が小さく、重要な情報が含まれており、侵入検出、不正検出、障害診断、eコマースプラットフォームなどのアプリケーションシーンに適している。
しかし、多くの現実的なシナリオでは、通常の行動に従うサンプルのみが観察されるが、異常情報はほとんど得られない。
このような問題に対処するために,観測サンプルに基づいてグローバル情報とローカル情報を組み合わせた異常検出手法GALDetectorを提案する。
提案手法は三段階法に分類できる。
まず、グローバルな類似の正規スコアとラベルなしサンプルの局所空間スコアを別々に計算する。
次に、これらの2つのスコアに対応するラベルのないサンプルから電位異常サンプルを分離し、選択されたサンプルに対応する重量を割り当てる。
最後に、重み付き異常検出器はサンプルの負荷によって訓練され、検出器は他の異常を識別するために利用される。
提案手法の有効性を評価するために,様々な領域からの実世界のデータセットを3つのカテゴリに分けて実験を行い,実験により,他の最先端手法と比較して優れた性能が得られることを示した。
関連論文リスト
- Set Features for Anomaly Detection [50.311528896010785]
本稿では,通常成分の異常な組み合わせからなる試料中の異常を検出するためのセット特徴を提案する。
固定特徴量を用いた簡易密度推定法により,各試料の異常値を算出する。
本手法は,画像レベルの論理異常検出とシーケンスレベルの時系列異常検出において,従来の最先端技術よりも優れていた。
論文 参考訳(メタデータ) (2023-11-24T13:56:06Z) - MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly
Detection [124.52227588930543]
教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。
不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。
非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。
我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
論文 参考訳(メタデータ) (2023-08-29T13:38:35Z) - AGAD: Adversarial Generative Anomaly Detection [12.68966318231776]
異常検出は,異常の多様性と大規模異常データ取得の困難さにより異常の欠如に悩まされた。
本稿では,自己コントラストに基づく異常検出パラダイムであるAdversarial Generative Anomaly Detection (AGAD)を提案する。
本手法は,教師付きおよび半教師付き両方の異常検出シナリオに対して擬似異常データを生成する。
論文 参考訳(メタデータ) (2023-04-09T10:40:02Z) - Set Features for Fine-grained Anomaly Detection [32.36217153362305]
本稿では,各サンプルの分布をモデル化する特徴セットを提案する。
簡単な密度推定法を用いて各試料の異常スコアを算出する。
我々の単純な実装アプローチは、画像レベルの論理異常検出における最先端技術よりも優れています。
論文 参考訳(メタデータ) (2023-02-23T18:58:57Z) - Hierarchical Semi-Supervised Contrastive Learning for
Contamination-Resistant Anomaly Detection [81.07346419422605]
異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。
コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。
汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
論文 参考訳(メタデータ) (2022-07-24T18:49:26Z) - Augment to Detect Anomalies with Continuous Labelling [10.646747658653785]
異常検出は、トレーニング観察と何らかの点で異なるサンプルを認識することである。
最近の最先端のディープラーニングに基づく異常検出手法は、計算コスト、複雑さ、不安定な訓練手順、非自明な実装に悩まされている。
我々は、軽量な畳み込みニューラルネットワークを訓練し、異常検出における最先端の性能に到達するための単純な学習手順を活用する。
論文 参考訳(メタデータ) (2022-07-03T20:11:51Z) - 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) - 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) - Understanding the Effect of Bias in Deep Anomaly Detection [15.83398707988473]
異常検出はラベル付き異常データの不足のため、機械学習においてユニークな課題となる。
最近の研究は、追加のラベル付き異常サンプルによる深部異常検出モデルのトレーニングを増強することで、このような問題を緩和しようとするものである。
本稿では,異常検出に対するバイアス付き異常集合の効果を理解することを目的とする。
論文 参考訳(メタデータ) (2021-05-16T03:55:02Z) - 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) - OIAD: One-for-all Image Anomaly Detection with Disentanglement Learning [23.48763375455514]
クリーンサンプルのみを用いたアンタングル学習に基づく一対一画像異常検出システムを提案する。
3つのデータセットを用いて実験したところ、OIADは90%以上の異常を検出できる一方で、誤報率も低く抑えられることがわかった。
論文 参考訳(メタデータ) (2020-01-18T09:57:37Z)
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。