論文の概要: TabADM: Unsupervised Tabular Anomaly Detection with Diffusion Models

• arxiv url: http://arxiv.org/abs/2307.12336v1
• Date: Sun, 23 Jul 2023 14:02:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-25 16:42:51.318828
• Title: TabADM: Unsupervised Tabular Anomaly Detection with Diffusion Models
• Title（参考訳）: TabADM:拡散モデルによる教師なし喉頭異常検出
• Authors: Guy Zamberg and Moshe Salhov and Ofir Lindenbaum and Amir Averbuch
• Abstract要約: 本稿では,非教師付き異常検出に有効な拡散型確率モデルを提案する。 本モデルは, 特異な拒絶手法を用いて, サンプルの密度を学習するよう訓練されている。 低密度領域のサンプルとして異常を同定する。
• 参考スコア（独自算出の注目度）: 5.314466196448187
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tables are an abundant form of data with use cases across all scientific fields. Real-world datasets often contain anomalous samples that can negatively affect downstream analysis. In this work, we only assume access to contaminated data and present a diffusion-based probabilistic model effective for unsupervised anomaly detection. Our model is trained to learn the density of normal samples by utilizing a unique rejection scheme to attenuate the influence of anomalies on the density estimation. At inference, we identify anomalies as samples in low-density regions. We use real data to demonstrate that our method improves detection capabilities over baselines. Furthermore, our method is relatively stable to the dimension of the data and does not require extensive hyperparameter tuning.
• Abstract（参考訳）: テーブルは、あらゆる科学分野のユースケースを持つ豊富な形式のデータである。 実世界のデータセットは、下流の分析に悪影響を及ぼす可能性のある異常なサンプルを含むことが多い。 本研究では,汚染データへのアクセスを想定し,非教師あり異常検出に有効な拡散に基づく確率モデルを提案する。 本モデルでは, 特異な拒絶スキームを用いて, 正常試料の密度分布を学習し, 異常が密度推定に与える影響を弱めるように訓練した。 低密度領域のサンプルとして異常を同定する。 実データを用いて,本手法がベースラインよりも検出能力を向上させることを示す。 さらに,本手法はデータ次元に対して比較的安定であり,広範囲なハイパーパラメータチューニングを必要としない。

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)
• GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
  拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。 世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。 本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:27:23Z)
• AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
  製造業において異常検査が重要な役割を担っている。 既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。 本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:13:40Z)
• An Iterative Method for Unsupervised Robust Anomaly Detection Under Data Contamination [24.74938110451834]
  ほとんどの深層異常検出モデルは、データセットから正規性を学ぶことに基づいている。 実際、正規性仮定は実データ分布の性質によってしばしば破られる。 このギャップを減らし、より優れた正規性表現を実現するための学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-18T02:36:19Z)
• 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)
• Anomaly Detection with Variance Stabilized Density Estimation [49.46356430493534]
  本稿では, 観測試料の確率を最大化するための分散安定化密度推定問題を提案する。 信頼性の高い異常検知器を得るために,分散安定化分布を学習するための自己回帰モデルのスペクトルアンサンブルを導入する。 我々は52のデータセットで広範なベンチマークを行い、我々の手法が最先端の結果につながることを示した。
  論文  参考訳（メタデータ） (2023-06-01T11:52:58Z)
• 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)
• 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)
• 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)
• Universal Data Anomaly Detection via Inverse Generative Adversary Network [4.162663632560141]
  異常データの配信にはトレーニングデータがない。 逆生成逆ネットワークに基づく半教師付き深層学習手法を提案する。
  論文  参考訳（メタデータ） (2020-01-23T21:11:36Z)

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。