論文の概要: RoSAS: Deep Semi-Supervised Anomaly Detection with
Contamination-Resilient Continuous Supervision
- arxiv url: http://arxiv.org/abs/2307.13239v1
- Date: Tue, 25 Jul 2023 04:04:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-26 18:24:36.926222
- Title: RoSAS: Deep Semi-Supervised Anomaly Detection with
Contamination-Resilient Continuous Supervision
- Title（参考訳）: RoSAS:汚染回復型連続スーパービジョンによる半監督型異常検出
- Authors: Hongzuo Xu and Yijie Wang and Guansong Pang and Songlei Jian and Ning
Liu and Yongjun Wang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 21.393509817509464
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Semi-supervised anomaly detection methods leverage a few anomaly examples to
yield drastically improved performance compared to unsupervised models.
However, they still suffer from two limitations: 1) unlabeled anomalies (i.e.,
anomaly contamination) may mislead the learning process when all the unlabeled
data are employed as inliers for model training; 2) only discrete supervision
information (such as binary or ordinal data labels) is exploited, which leads
to suboptimal learning of anomaly scores that essentially take on a continuous
distribution. Therefore, this paper proposes a novel semi-supervised anomaly
detection method, which devises \textit{contamination-resilient continuous
supervisory signals}. Specifically, we propose a mass interpolation method to
diffuse the abnormality of labeled anomalies, thereby creating new data samples
labeled with continuous abnormal degrees. Meanwhile, the contaminated area can
be covered by new data samples generated via combinations of data with correct
labels. A feature learning-based objective is added to serve as an optimization
constraint to regularize the network and further enhance the robustness w.r.t.
anomaly contamination. Extensive experiments on 11 real-world datasets show
that our approach significantly outperforms state-of-the-art competitors by
20%-30% in AUC-PR and obtains more robust and superior performance in settings
with different anomaly contamination levels and varying numbers of labeled
anomalies. The source code is available at https://github.com/xuhongzuo/rosas/.
- Abstract（参考訳）: 半教師付き異常検出法は、教師なしモデルに比べて大幅に性能が向上するいくつかの異常例を利用する。
しかし、まだ2つの制限がある。
1) ラベルのない異常(すなわち異常な汚染)は,すべてのラベルのないデータがモデルトレーニングのインレーヤとして使用される場合,学習プロセスを誤解させる可能性がある。
2) 個別の監視情報(バイナリや順序データラベルなど)のみが活用され, 基本的に連続的な分布をとる異常スコアの最適下学習につながる。
そこで本稿では,textit{contamination-resilient continuous supervisory signal} を考案した半教師付き異常検出手法を提案する。
具体的には,ラベル付き異常の異常を拡散する質量補間法を提案し,連続的異常度でラベル付けされた新しいデータサンプルを作成する。
一方、汚染領域は、正しいラベルとデータの組み合わせによって生成された新しいデータサンプルによってカバーすることができる。
特徴学習に基づく目的を、ネットワークを正規化し、異常な汚染に対する堅牢性をさらに高めるための最適化制約として追加する。
11個の実世界のデータセットに対する大規模な実験により、我々のアプローチはAUC-PRにおいて最先端の競合他社を20%-30%上回り、異常な汚染レベルとラベル付き異常数の異なる設定において、より堅牢で優れたパフォーマンスが得られることが示された。
ソースコードはhttps://github.com/xuhongzuo/rosas/で入手できる。
関連論文リスト
- FUN-AD: Fully Unsupervised Learning for Anomaly Detection with Noisy Training Data [1.0650780147044159]
ラベルなしおよび潜在的に汚染されたトレーニングデータを用いた完全教師なし異常検出のための新しい学習ベースアプローチを提案する。
本手法は, 2つの観測結果から, 正常試料間の対特徴距離が, 異常試料や異種試料間の対特徴距離よりも平均的に小さい可能性が示唆され, 互いに近接する2つの特徴対が等質な対である可能性が示唆された。
本研究は, 近接する近傍距離が信頼度の高いサンプルと異常を区別できることを示す最初の観測結果に基づいて, 反復的に再構成されたメモリバンクを用いた擬似ラベル方式を提案する。
論文 参考訳（メタデータ） (2024-11-25T05:51:38Z) - 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) - CL-Flow:Strengthening the Normalizing Flows by Contrastive Learning for
Better Anomaly Detection [1.951082473090397]
コントラスト学習と2D-Flowを組み合わせた自己教師付き異常検出手法を提案する。
本手法は,主流の教師なし手法と比較して,検出精度が向上し,モデルパラメータが減少し,推論速度が向上することを示す。
BTADデータセットでは,MVTecADデータセットでは画像レベルのAUROCが99.6%,BTADデータセットでは画像レベルのAUROCが96.8%であった。
論文 参考訳（メタデータ） (2023-11-12T10:07:03Z) - SaliencyCut: Augmenting Plausible Anomalies for Anomaly Detection [24.43321988051129]
そこで本稿では,SaliencyCutという新たなデータ拡張手法を提案する。
次に、各サンプルから微細な異常特徴を抽出し評価するために、異常学習ヘッドにパッチワイド残余モジュールを新規に設計する。
論文 参考訳（メタデータ） (2023-06-14T08:55:36Z) - Hierarchical Semi-Supervised Contrastive Learning for
Contamination-Resistant Anomaly Detection [81.07346419422605]
異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。
コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。
汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-24T18:49:26Z) - Augment to Detect Anomalies with Continuous Labelling [10.646747658653785]
異常検出は、トレーニング観察と何らかの点で異なるサンプルを認識することである。
最近の最先端のディープラーニングに基づく異常検出手法は、計算コスト、複雑さ、不安定な訓練手順、非自明な実装に悩まされている。
我々は、軽量な畳み込みニューラルネットワークを訓練し、異常検出における最先端の性能に到達するための単純な学習手順を活用する。
論文 参考訳（メタデータ） (2022-07-03T20:11:51Z) - 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) - 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) - Deep Weakly-supervised Anomaly Detection [118.55172352231381]
ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。
PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。
12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
論文 参考訳（メタデータ） (2019-10-30T00:40:25Z)
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。