論文の概要: Understanding the limitations of self-supervised learning for tabular anomaly detection

• arxiv url: http://arxiv.org/abs/2309.08374v1
• Date: Fri, 15 Sep 2023 13:04:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-18 14:42:43.346638
• Title: Understanding the limitations of self-supervised learning for tabular anomaly detection
• Title（参考訳）: 表層異常検出のための自己教師型学習の限界を理解する
• Authors: Kimberly T. Mai, Toby Davies, Lewis D. Griffin
• Abstract要約: 自己教師付き学習は、コンピュータビジョンと自然言語処理における異常検出を改善した。 これは、ニューラルネットワークが無関係な特徴を導入し、異常検出の有効性を低下させることによるものである。 ニューラルネットワークの表現のサブスペースを使用することで、性能を回復できることを実証する。
• 参考スコア（独自算出の注目度）: 4.600934325274235
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While self-supervised learning has improved anomaly detection in computer vision and natural language processing, it is unclear whether tabular data can benefit from it. This paper explores the limitations of self-supervision for tabular anomaly detection. We conduct several experiments spanning various pretext tasks on 26 benchmark datasets to understand why this is the case. Our results confirm representations derived from self-supervision do not improve tabular anomaly detection performance compared to using the raw representations of the data. We show this is due to neural networks introducing irrelevant features, which reduces the effectiveness of anomaly detectors. However, we demonstrate that using a subspace of the neural network's representation can recover performance.
• Abstract（参考訳）: 自己教師付き学習は、コンピュータビジョンや自然言語処理における異常検出を改善するが、表データにメリットがあるかどうかは定かではない。 本稿では,タブ状異常検出における自己スーパービジョンの限界について検討する。 26のベンチマークデータセットで様々なプリテキストタスクにまたがる実験を行い、これがなぜそうなるのかを理解した。 自己スーパービジョンから導かれる表現は,データの生表現を用いた場合に比べ,表状異常検出性能が向上しない。 これは、異常検出器の有効性を低下させる無関係な特徴を導入したニューラルネットワークによるものである。 しかし、ニューラルネットワークの表現のサブスペースを使用することで、性能を回復できることを示す。

関連論文リスト

• SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
  大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。 本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
  論文  参考訳（メタデータ） (2024-07-23T20:34:23Z)
• Brain subtle anomaly detection based on auto-encoders latent space analysis : application to de novo parkinson patients [0.0]
  パッチベースのオートエンコーダは、潜在空間によって提供される効率的な表現力を持ち、可視的病変検出には良い結果が得られた。 本研究は,多変量解析から派生した2つの代替検出基準を設計し,潜在空間表現から情報をより直接取得する。 パーキンソン病(PD)分類の難しい課題において,2つの指導的学習法と比較した。
  論文  参考訳（メタデータ） (2023-02-27T08:58:31Z)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• Hyperbolic Self-supervised Contrastive Learning Based Network Anomaly Detection [0.0]
  属性ネットワーク上の異常検出は近年,多くの研究分野において注目されている。 双曲型自己教師付きコントラスト学習を用いた効率的な異常検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-12T07:08:34Z)
• Framing Algorithmic Recourse for Anomaly Detection [18.347886926848563]
  我々は,タブラルデータ(CARAT)における異常に対する文脈保存型アルゴリズムレコースを提案する。 CARATはトランスフォーマーベースのエンコーダデコーダモデルを用いて、低い確率で特徴を見つけることで異常を説明する。 異常なインスタンス内の特徴の全体的コンテキストを使用して、強調された特徴を変更することによって、意味的に一貫性のある反事実が生成される。
  論文  参考訳（メタデータ） (2022-06-29T03:30:51Z)
• 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)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Implicit Saliency in Deep Neural Networks [15.510581400494207]
  本稿では,既存の認識と局所化の深部構造が人間の視覚的正当性を予測できることを示す。 予測ミスマッチ仮説を教師なし方式で計算し,その暗黙の正当性を計算する。 実験の結果,この方法での塩分濃度の抽出は,最先端の教師付きアルゴリズムに対して測定した場合と同等の性能を示すことがわかった。
  論文  参考訳（メタデータ） (2020-08-04T23:14:24Z)
• Provably Efficient Causal Reinforcement Learning with Confounded Observational Data [135.64775986546505]
  オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。 提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-22T14:49:33Z)
• Learning What Makes a Difference from Counterfactual Examples and Gradient Supervision [57.14468881854616]
  ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。 我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。 このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2020-04-20T02:47:49Z)

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。