論文の概要: Targeted collapse regularized autoencoder for anomaly detection: black
hole at the center
- arxiv url: http://arxiv.org/abs/2306.12627v1
- Date: Thu, 22 Jun 2023 01:33:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-23 15:45:18.420932
- Title: Targeted collapse regularized autoencoder for anomaly detection: black
hole at the center
- Title(参考訳): 異常検出のための目標崩壊正規化オートエンコーダ:中心にブラックホール
- Authors: Amin Ghafourian, Huanyi Shui, Devesh Upadhyay, Rajesh Gupta, Dimitar
Filev, Iman Soltani Bozchalooi
- Abstract要約: オートエンコーダは通常のクラスを超えて一般化することができ、いくつかの異常なサンプルに対して小さな再構成誤差を達成できる。
我々は、ニューラルネットワークコンポーネントの追加、計算の関与、煩雑なトレーニングの代わりに、再構成損失を計算的に軽い用語で補うという、驚くほど簡単な方法を提案する。
これは、オートエンコーダに基づく異常検出アルゴリズムのブラックボックスの性質を緩和し、さらなる利点、障害事例、潜在的な新しい方向の解明のための道筋を提供する。
- 参考スコア(独自算出の注目度): 1.298367590658814
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autoencoders have been extensively used in the development of recent anomaly
detection techniques. The premise of their application is based on the notion
that after training the autoencoder on normal training data, anomalous inputs
will exhibit a significant reconstruction error. Consequently, this enables a
clear differentiation between normal and anomalous samples. In practice,
however, it is observed that autoencoders can generalize beyond the normal
class and achieve a small reconstruction error on some of the anomalous
samples. To improve the performance, various techniques propose additional
components and more sophisticated training procedures. In this work, we propose
a remarkably straightforward alternative: instead of adding neural network
components, involved computations, and cumbersome training, we complement the
reconstruction loss with a computationally light term that regulates the norm
of representations in the latent space. The simplicity of our approach
minimizes the requirement for hyperparameter tuning and customization for new
applications which, paired with its permissive data modality constraint,
enhances the potential for successful adoption across a broad range of
applications. We test the method on various visual and tabular benchmarks and
demonstrate that the technique matches and frequently outperforms alternatives.
We also provide a theoretical analysis and numerical simulations that help
demonstrate the underlying process that unfolds during training and how it can
help with anomaly detection. This mitigates the black-box nature of
autoencoder-based anomaly detection algorithms and offers an avenue for further
investigation of advantages, fail cases, and potential new directions.
- Abstract(参考訳): オートエンコーダは近年の異常検出技術の開発に広く使われている。
彼らのアプリケーションの前提は、通常のトレーニングデータでオートエンコーダをトレーニングした後、異常な入力が重要なリコンストラクションエラーを示すという考え方に基づいている。
これにより、通常のサンプルと異常サンプルを明確に区別することができる。
しかし、実際には、オートエンコーダは通常のクラスを超えて一般化でき、いくつかの異常サンプルに対して小さな再構成誤差を達成できる。
性能を向上させるために、様々な技術が追加のコンポーネントとより洗練された訓練手順を提案している。
本研究では,ニューラルネットワークコンポーネントの追加や計算処理,煩雑なトレーニングを行う代わりに,遅延空間における表現の規範を規定する計算的に軽量な用語で再構成損失を補うという,極めて簡単な方法を提案する。
このアプローチの単純さは、新しいアプリケーションに対するハイパーパラメータチューニングとカスタマイズの要件を最小化し、許容データモダリティ制約と組み合わせることで、幅広いアプリケーションにまたがって採用が成功する可能性を高める。
様々な視覚的および表的ベンチマークでこの手法をテストし,その手法が代替案に合致し,多用することを示す。
また,理論解析と数値シミュレーションを行い,トレーニング中に展開する基礎過程と,異常検出にどのように役立つかを示す。
これは、オートエンコーダに基づく異常検出アルゴリズムのブラックボックスの性質を緩和し、さらなる利点、障害事例、潜在的な新しい方向の解明のための道筋を提供する。
関連論文リスト
- Reconstruction Error-based Anomaly Detection with Few Outlying Examples [3.145455301228176]
本研究では,正規データのドメイン記述の外部に既知の異常を配置するようにモデルに指示する,再構成エラーに基づくアーキテクチャのアプローチについて検討する。
特に,本手法では,正常例と未知例の双方に関連のある再現誤差の対比を増大させるために,限られた数の異常例を利用する。
論文 参考訳(メタデータ) (2023-05-17T08:20:29Z) - Making Reconstruction-based Method Great Again for Video Anomaly
Detection [64.19326819088563]
ビデオの異常検出は重要な問題だが、難しい問題だ。
既存の再構成に基づく手法は、昔ながらの畳み込みオートエンコーダに依存している。
連続フレーム再構築のための新しいオートエンコーダモデルを提案する。
論文 参考訳(メタデータ) (2023-01-28T01:57:57Z) - Fundamental Limits of Two-layer Autoencoders, and Achieving Them with
Gradient Methods [91.54785981649228]
本稿では,非線形二層型オートエンコーダについて述べる。
本結果は,人口リスクの最小化要因を特徴付け,その最小化要因が勾配法によって達成されることを示す。
符号アクティベーション関数の特別な場合において、この解析は、シャローオートエンコーダによるガウス音源の損失圧縮の基本的な限界を確立する。
論文 参考訳(メタデータ) (2022-12-27T12:37:34Z) - Anomaly Detection with Adversarially Learned Perturbations of Latent
Space [9.473040033926264]
異常検出は、正常なデータの分布に適合しないサンプルを特定することである。
本研究では,2つの競合するコンポーネント,Adversarial Distorter と Autoencoder で構成される対角的フレームワークを設計した。
提案手法は,画像およびビデオデータセットの異常検出において,既存の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2022-07-03T19:32:00Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Memory-augmented Adversarial Autoencoders for Multivariate Time-series
Anomaly Detection with Deep Reconstruction and Prediction [4.033624665609417]
本稿では,時系列の非教師付き異常検出手法であるMemAAEを提案する。
2つの補完的プロキシタスク、再構築と予測を共同でトレーニングすることにより、複数のタスクによる異常検出が優れた性能を得ることを示す。
MemAAEは4つの公開データセットで総合F1スコアの0.90を達成し、最高のベースラインである0.02を上回っている。
論文 参考訳(メタデータ) (2021-10-15T18:29:05Z) - Relaxing the Constraints on Predictive Coding Models [62.997667081978825]
予測符号化(英: Predictive coding)は、脳が行う主計算が予測誤差の最小化であるとする皮質機能の影響力のある理論である。
アルゴリズムの標準的な実装は、同じ前方と後方の重み、後方の非線形微分、1-1エラーユニット接続といった、潜在的に神経的に予測できない特徴を含んでいる。
本稿では,これらの特徴はアルゴリズムに不可欠なものではなく,Hebbianの更新ルールを用いてパラメータセットを直接あるいは学習することで,学習性能に悪影響を及ぼすことなく除去可能であることを示す。
論文 参考訳(メタデータ) (2020-10-02T15:21:37Z) - Improving auto-encoder novelty detection using channel attention and
entropy minimization [36.58514518563204]
新規性検出のための自動エンコーダの性能向上のための注意機構を導入する。
注意機構の作用により、自己エンコーダは敵の訓練を通じて不整形標本の表現により多くの注意を払うことができる。
情報エントロピーを潜伏層に適用し,多様性の表現を疎外し,制約する。
論文 参考訳(メタデータ) (2020-07-03T13:41:34Z) - 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) - Self-trained Deep Ordinal Regression for End-to-End Video Anomaly
Detection [114.9714355807607]
ビデオ異常検出に自己学習深層順序回帰を適用することで,既存の手法の2つの重要な限界を克服できることを示す。
我々は,手動で正規/異常データをラベル付けすることなく,共同表現学習と異常スコアリングを可能にする,エンドツーエンドのトレーニング可能なビデオ異常検出手法を考案した。
論文 参考訳(メタデータ) (2020-03-15T08:44:55Z)
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。