Fugu-MT 論文翻訳(概要): Representation Learning in Anomaly Detection: Successes, Limits and a Grand Challenge

論文の概要: Representation Learning in Anomaly Detection: Successes, Limits and a Grand Challenge

arxiv url: http://arxiv.org/abs/2307.11085v1
Date: Thu, 20 Jul 2023 17:59:11 GMT
ステータス: 処理完了
システム内更新日: 2023-07-21 11:40:31.431561
Title: Representation Learning in Anomaly Detection: Successes, Limits and a Grand Challenge
Title（参考訳）: 異常検出における表現学習:成功、限界、そして大きな挑戦
Authors: Yedid Hoshen
Abstract要約: 異常検出における支配的なパラダイムは無限にスケールすることはできず、最終的には基本的な限界に達すると我々は主張する。異常検出には2つの課題がある。
参考スコア（独自算出の注目度）: 32.36217153362305
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this perspective paper, we argue that the dominant paradigm in anomaly detection cannot scale indefinitely and will eventually hit fundamental limits. This is due to the a no free lunch principle for anomaly detection. These limitations can be overcome when there are strong tasks priors, as is the case for many industrial tasks. When such priors do not exists, the task is much harder for anomaly detection. We pose two such tasks as grand challenges for anomaly detection: i) scientific discovery by anomaly detection ii) a "mini-grand" challenge of detecting the most anomalous image in the ImageNet dataset. We believe new anomaly detection tools and ideas would need to be developed to overcome these challenges.
Abstract（参考訳）: 本稿では,異常検出における支配的パラダイムは無限にスケールできず,最終的には基本的限界に達することを論じる。これは、異常検出のための無料ランチの原則がないためである。これらの制限は、多くの産業的タスクと同様に、強いタスク前がある場合に克服できる。このような事前処理が存在しない場合、そのタスクは異常検出よりもずっと難しい。異常検出のための大きな課題として,2つの課題を挙げる。一異常検出による科学的発見 ii) imagenetデータセットにおける最も異常な画像を検出する「ミニグランド」チャレンジ。これらの課題を克服するためには、新たな異常検出ツールやアイデアを開発する必要があると考えています。

関連論文リスト

Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
論文参考訳（メタデータ） (2023-12-26T07:08:06Z)
Progressing from Anomaly Detection to Automated Log Labeling and Pioneering Root Cause Analysis [53.24804865821692]
本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
論文参考訳（メタデータ） (2023-12-22T15:04:20Z)
Open-Vocabulary Video Anomaly Detection [57.552523669351636]
監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
論文参考訳（メタデータ） (2023-11-13T02:54:17Z)
Precursor-of-Anomaly Detection for Irregular Time Series [31.73234935455713]
本稿では,新しいタイプの異常検出法であるPrecursor-of-Anomaly(PoA)について述べる。両問題を同時に解くために,ニューラルネットワークとマルチタスク学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-06-27T14:10:09Z)
MetaGAD: Meta Representation Adaptation for Few-Shot Graph Anomaly Detection [31.218962952724624]
少数ショットグラフ異常検出の重要な問題について検討する。本稿では,自己指導学習から少数ショット指導学習へ知識を適応させるメタGADを提案する。具体的には、二段階最適化として問題を定式化し、MetaGADの収束を保証し、検証損失を最小限に抑える。
論文参考訳（メタデータ） (2023-05-18T03:04:51Z)
Understanding the Challenges and Opportunities of Pose-based Anomaly Detection [2.924868086534434]
ポーズベースの異常検出(Pose-based anomaly detection)は、ビデオフレームから抽出された人間のポーズを調べることによって、異常な出来事や行動を検出するビデオ分析技術である。本研究では、ポーズに基づく異常検出の難しさをよりよく理解するために、2つのよく知られたビデオ異常データセットの特徴を分析し、定量化する。これらの実験は、ポーズベースの異常検出と現在利用可能なデータセットをより理解する上で有益であると考えています。
論文参考訳（メタデータ） (2023-03-09T18:09:45Z)
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)
Fine-grained Anomaly Detection via Multi-task Self-Supervision [2.9237210794416755]
自己監督学習は異常検出を含む多くの方法に大いに役立っています。マルチタスクフレームワークであるhigh-scale shape features oriented taskとlow-scale fine features oriented taskを組み合わせることで,細粒度の異常検出を大幅に改善する。 AUROCで測定された最大31%の相対誤差低減で、様々な異常検出問題において最先端のパフォーマンスを発揮します。
論文参考訳（メタデータ） (2021-04-20T14:19:08Z)
Deep Learning for Anomaly Detection: A Review [150.9270911031327]
本稿では,3つの高レベルカテゴリと11の細粒度カテゴリの進歩を網羅した包括的分類法による深部異常検出の研究について調査する。我々は、それらの重要な直観、客観的機能、基礎となる仮定、利点とデメリットをレビューし、上記の課題にどのように対処するかについて議論する。
論文参考訳（メタデータ） (2020-07-06T02:21:16Z)
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。