論文の概要: Restricted Generative Projection for One-Class Classification and
Anomaly Detection
- arxiv url: http://arxiv.org/abs/2307.04097v1
- Date: Sun, 9 Jul 2023 04:59:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-11 15:29:04.462770
- Title: Restricted Generative Projection for One-Class Classification and
Anomaly Detection
- Title(参考訳): 1クラス分類と異常検出のための制約付き生成投影
- Authors: Feng Xiao, Ruoyu Sun, Jicong Fan
- Abstract要約: トレーニングデータの未知分布(正規分布)を既知の目標分布に変換するためのマッピングを学習する。
シンプルさは、配布から簡単にサンプルを採取できるようにすることです。
コンパクト性は、正規データと異常データとの判定境界が明確であることを保証することである。
その情報性は、変換されたデータが元のデータの重要な情報を確実に保持することである。
- 参考スコア(独自算出の注目度): 31.173234437065464
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a simple framework for one-class classification and anomaly
detection. The core idea is to learn a mapping to transform the unknown
distribution of training (normal) data to a known target distribution.
Crucially, the target distribution should be sufficiently simple, compact, and
informative. The simplicity is to ensure that we can sample from the
distribution easily, the compactness is to ensure that the decision boundary
between normal data and abnormal data is clear and reliable, and the
informativeness is to ensure that the transformed data preserve the important
information of the original data. Therefore, we propose to use truncated
Gaussian, uniform in hypersphere, uniform on hypersphere, or uniform between
hyperspheres, as the target distribution. We then minimize the distance between
the transformed data distribution and the target distribution while keeping the
reconstruction error for the original data small enough. Comparative studies on
multiple benchmark datasets verify the effectiveness of our methods in
comparison to baselines.
- Abstract(参考訳): 一級分類と異常検出のための簡単なフレームワークを提案する。
中心となるアイデアは、未知のトレーニング(通常の)データの分布を既知のターゲット分布に変換するマッピングを学ぶことだ。
重要な点として、ターゲット分布は十分に単純でコンパクトで情報に富むべきである。
簡易性は、分布から容易にサンプリングできること、コンパクト性は、正規データと異常データとの間の決定境界が明確かつ信頼性があること、情報性は、変換されたデータが元のデータの重要な情報を保存することを保証することである。
そこで,超球面における一様,超球面上の一様,あるいは超球面間の一様を対象分布として用いることを提案する。
次に、変換されたデータ分布とターゲット分布との距離を最小化し、元のデータの再構成誤差を十分に小さくする。
複数のベンチマークデータセットの比較研究により,本手法の有効性をベースラインと比較した。
関連論文リスト
- Anomaly Detection Under Uncertainty Using Distributionally Robust
Optimization Approach [0.9217021281095907]
異常検出は、大多数のパターンに従わないデータポイントを見つける問題として定義される。
1クラスのサポートベクトルマシン(SVM)メソッドは、通常のデータポイントと異常を区別するための決定境界を見つけることを目的としている。
誤分類の確率が低い分布的に頑健な確率制約モデルを提案する。
論文 参考訳(メタデータ) (2023-12-03T06:13:22Z) - Probabilistic Matching of Real and Generated Data Statistics in
Generative Adversarial Networks [0.10878040851637999]
本稿では,あるデータ統計量の分布が実データの分布と一致することを確実にする手法を提案する。
提案手法を合成データセットと実世界のデータセットで評価し,提案手法の性能向上を実証した。
論文 参考訳(メタデータ) (2023-06-19T14:03:27Z) - Collaborative Learning of Distributions under Heterogeneity and
Communication Constraints [35.82172666266493]
機械学習では、ユーザはしばしば、データを生成するディストリビューションを学ぶために協力する必要がある。
まず、ユーザはサーバと通信して中央分布を学習し、協調する。
そして、学習した中央分布を微調整して、ユーザの個々の分布を推定する。
論文 参考訳(メタデータ) (2022-06-01T18:43:06Z) - Certifying Model Accuracy under Distribution Shifts [151.67113334248464]
本稿では,データ分布の有界ワッサースタインシフトの下でのモデルの精度について,証明可能なロバスト性保証を提案する。
変換空間におけるモデルの入力をランダム化する単純な手順は、変換の下での分布シフトに対して確実に堅牢であることを示す。
論文 参考訳(メタデータ) (2022-01-28T22:03:50Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳(メタデータ) (2022-01-11T23:01:12Z) - Dealing with Distribution Mismatch in Semi-supervised Deep Learning for
Covid-19 Detection Using Chest X-ray Images: A Novel Approach Using Feature
Densities [0.6882042556551609]
半教師付きディープラーニングは、大きなラベル付きデータセットの魅力的な代替手段である。
実世界の使用状況設定では、ラベル付きデータセットとは異なる分布を示す可能性がある。
これにより、ラベル付きデータセットとラベル付きデータセットの分散ミスマッチが発生します。
論文 参考訳(メタデータ) (2021-08-17T00:35:43Z) - KL Guided Domain Adaptation [88.19298405363452]
ドメイン適応は重要な問題であり、現実世界のアプリケーションにしばしば必要である。
ドメイン適応文学における一般的なアプローチは、ソースとターゲットドメインに同じ分布を持つ入力の表現を学ぶことである。
確率的表現ネットワークにより、KL項はミニバッチサンプルにより効率的に推定できることを示す。
論文 参考訳(メタデータ) (2021-06-14T22:24:23Z) - Graph Embedding with Data Uncertainty [113.39838145450007]
スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。
ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
論文 参考訳(メタデータ) (2020-09-01T15:08:23Z) - Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。
テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。
以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文 参考訳(メタデータ) (2020-06-22T21:12:31Z) - Log-Likelihood Ratio Minimizing Flows: Towards Robust and Quantifiable
Neural Distribution Alignment [52.02794488304448]
そこで本研究では,対数様比統計量と正規化フローに基づく新しい分布アライメント手法を提案する。
入力領域の局所構造を保存する領域アライメントにおいて,結果の最小化を実験的に検証する。
論文 参考訳(メタデータ) (2020-03-26T22:10:04Z)
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。