論文の概要: Anomaly Detection with Score Distribution Discrimination

• arxiv url: http://arxiv.org/abs/2306.14403v1
• Date: Mon, 26 Jun 2023 03:32:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-27 15:05:34.395736
• Title: Anomaly Detection with Score Distribution Discrimination
• Title（参考訳）: スコア分布判別による異常検出
• Authors: Minqi Jiang, Songqiao Han, Hailiang Huang
• Abstract要約: 本稿では,スコア分布の観点から,異常スコア関数の最適化を提案する。 正常試料と異常試料のスコア分布の重なりを最小化するオーバーラップ損失と呼ばれる新しい損失関数を設計する。
• 参考スコア（独自算出の注目度）: 4.468952886990851
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent studies give more attention to the anomaly detection (AD) methods that can leverage a handful of labeled anomalies along with abundant unlabeled data. These existing anomaly-informed AD methods rely on manually predefined score target(s), e.g., prior constant or margin hyperparameter(s), to realize discrimination in anomaly scores between normal and abnormal data. However, such methods would be vulnerable to the existence of anomaly contamination in the unlabeled data, and also lack adaptation to different data scenarios. In this paper, we propose to optimize the anomaly scoring function from the view of score distribution, thus better retaining the diversity and more fine-grained information of input data, especially when the unlabeled data contains anomaly noises in more practical AD scenarios. We design a novel loss function called Overlap loss that minimizes the overlap area between the score distributions of normal and abnormal samples, which no longer depends on prior anomaly score targets and thus acquires adaptability to various datasets. Overlap loss consists of Score Distribution Estimator and Overlap Area Calculation, which are introduced to overcome challenges when estimating arbitrary score distributions, and to ensure the boundness of training loss. As a general loss component, Overlap loss can be effectively integrated into multiple network architectures for constructing AD models. Extensive experimental results indicate that Overlap loss based AD models significantly outperform their state-of-the-art counterparts, and achieve better performance on different types of anomalies.
• Abstract（参考訳）: 近年の研究では、ラベル付けされた少数の異常と豊富なラベル付きデータを活用することのできる異常検出(AD)手法が注目されている。 これらの既存の異常のないad手法は、例えば事前定数やマージンハイパーパラメータなど、手動で予め定義されたスコアターゲットに依存し、正常データと異常データの間の異常スコアの識別を実現する。 しかし、そのような手法はラベルなしデータにおける異常な汚染の存在に脆弱であり、異なるデータシナリオへの適応が欠如している。 本稿では, スコア分布の観点から異常スコア関数を最適化し, より実用的なADシナリオにおいて, ラベルなしデータが異常ノイズを含む場合に, 入力データの多様性とよりきめ細かい情報を維持することを提案する。 本研究では,従来の異常スコア目標に依存しない正常サンプルと異常サンプルのスコア分布の重複領域を最小化し,様々なデータセットへの適応性を得るオーバーラップ損失という新たな損失関数を設計する。 オーバーラップ損失は、任意のスコア分布を推定する際の課題を克服し、トレーニング損失のバウンダリを確保するために導入されたスコア分布推定器とオーバーラップ領域計算からなる。 一般的な損失要素として、オーバーラップ損失はADモデルを構築するために複数のネットワークアーキテクチャに効果的に統合できる。 以上の結果から, オーバーラップ損失に基づくADモデルは, 最先端のADモデルよりも有意に優れ, 異種異常に対する性能が向上することが示唆された。

関連論文リスト

• Adaptive Deviation Learning for Visual Anomaly Detection with Data Contamination [20.4008901760593]
  そこで本研究では,偏差学習を応用して,異常スコアをエンドツーエンドに計算する手法を提案する。 提案手法は競合する手法を超越し,データ汚染の存在下での安定性とロバスト性を示す。
  論文  参考訳（メタデータ） (2024-11-14T16:10:15Z)
• MeLIAD: Interpretable Few-Shot Anomaly Detection with Metric Learning and Entropy-based Scoring [2.394081903745099]
  本稿では,新たな異常検出手法であるMeLIADを提案する。 MeLIADはメートル法学習に基づいており、真の異常の事前分布仮定に頼ることなく、設計による解釈可能性を達成する。 解釈可能性の定量的かつ定性的な評価を含む5つの公開ベンチマークデータセットの実験は、MeLIADが異常検出とローカライゼーション性能の改善を達成することを実証している。
  論文  参考訳（メタデータ） (2024-09-20T16:01:43Z)
• Performance Metric for Multiple Anomaly Score Distributions with Discrete Severity Levels [4.66313002591741]
  本稿では, 受信機動作特性曲線(WS-AUROC)に基づいて, 異常スコアに基づいて重み付けされた領域の重み付け和を提案する。 また、分布の明確な分離を実現し、WS-AUROCおよびAUROCメトリクスのアブレーションモデルより優れる異常検出器を提案する。
  論文  参考訳（メタデータ） (2024-08-09T02:17:49Z)
• 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)
• Few-shot Anomaly Detection in Text with Deviation Learning [13.957106119614213]
  偏差学習を用いたエンドツーエンド手法で異常スコアを明示的に学習するフレームワークであるFATEを紹介する。 本モデルは,マルチヘッド・セルフアテンション・レイヤと複数インスタンス・ラーニング・アプローチを用いて,異常の異なる振る舞いを学習するために最適化されている。
  論文  参考訳（メタデータ） (2023-08-22T20:40:21Z)
• 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)
• 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)
• 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)
• Self-Trained One-class Classification for Unsupervised Anomaly Detection [56.35424872736276]
  異常検出(AD)は、製造から医療まで、さまざまな分野に応用されている。 本研究は、トレーニングデータ全体がラベル付けされておらず、正規サンプルと異常サンプルの両方を含む可能性のある、教師なしAD問題に焦点を当てる。 この問題に対処するため,データリファインメントによる堅牢な一級分類フレームワークを構築した。 本手法は6.3AUCと12.5AUCの平均精度で最先端の1クラス分類法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-11T01:36:08Z)
• 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)

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。