論文の概要: ADGym: Design Choices for Deep Anomaly Detection

• arxiv url: http://arxiv.org/abs/2309.15376v2
• Date: Mon, 30 Oct 2023 03:40:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-01 22:36:55.135787
• Title: ADGym: Design Choices for Deep Anomaly Detection
• Title（参考訳）: ADGym: 深部異常検出のための設計選択
• Authors: Minqi Jiang, Chaochuan Hou, Ao Zheng, Songqiao Han, Hailiang Huang, Qingsong Wen, Xiyang Hu, Yue Zhao
• Abstract要約: 本稿では,DeepメソッドにおけるAD設計要素の包括的評価と自動選択のためのプラットフォームであるADGymを紹介する。 実験の結果,既存の先行手法のみに依存するだけでは不十分であることが判明した。 対照的にADGymを用いて開発されたモデルは、現在の最先端技術を大きく上回っている。
• 参考スコア（独自算出の注目度）: 41.628035484012834
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning (DL) techniques have recently found success in anomaly detection (AD) across various fields such as finance, medical services, and cloud computing. However, most of the current research tends to view deep AD algorithms as a whole, without dissecting the contributions of individual design choices like loss functions and network architectures. This view tends to diminish the value of preliminary steps like data preprocessing, as more attention is given to newly designed loss functions, network architectures, and learning paradigms. In this paper, we aim to bridge this gap by asking two key questions: (i) Which design choices in deep AD methods are crucial for detecting anomalies? (ii) How can we automatically select the optimal design choices for a given AD dataset, instead of relying on generic, pre-existing solutions? To address these questions, we introduce ADGym, a platform specifically crafted for comprehensive evaluation and automatic selection of AD design elements in deep methods. Our extensive experiments reveal that relying solely on existing leading methods is not sufficient. In contrast, models developed using ADGym significantly surpass current state-of-the-art techniques.
• Abstract（参考訳）: ディープラーニング(DL)技術は、金融、医療サービス、クラウドコンピューティングなど、さまざまな分野における異常検出(AD)に成功している。 しかしながら、現在の研究の多くは、損失関数やネットワークアーキテクチャといった個々の設計選択の貢献を解剖することなく、ディープADアルゴリズム全体を概観する傾向にある。 この見解は、新たに設計された損失関数、ネットワークアーキテクチャ、学習パラダイムなど、データ前処理のような予備的なステップの価値を低下させる傾向にある。 本稿では,このギャップを埋めるために,2つの重要な疑問を提起する。 (i)異常検出には,深層ad手法のどの設計選択が不可欠か? (ii) 汎用的で既存のソリューションに頼るのではなく、任意のADデータセットに対して最適な設計選択を自動的に選択する方法。 これらの問題に対処するため,より深い手法でAD設計要素を包括的に評価し,自動選択するプラットフォームであるADGymを紹介した。 我々の広範な実験により、既存のリードメソッドのみに頼るだけでは不十分であることが判明した。 対照的にADGymを用いて開発されたモデルは、現在の最先端技術を大きく上回っている。

関連論文リスト

• Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
  水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。 近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
  論文  参考訳（メタデータ） (2024-10-08T00:25:33Z)
• Enhancing Domain Adaptation through Prompt Gradient Alignment [16.618313165111793]
  我々は、ドメイン不変性と特定の特徴の両方を学ぶために、素早い学習に基づく一連の作品を開発する。 我々は、UDAを、各目的がドメイン損失で表される多重目的最適化問題とみなした。 提案手法は,異なるUDAベンチマークにおいて,他のプロンプトベースベースラインをはるかに上回っている。
  論文  参考訳（メタデータ） (2024-06-13T17:40:15Z)
• ActiveAD: Planning-Oriented Active Learning for End-to-End Autonomous Driving [96.92499034935466]
  自動運転のためのエンドツーエンドの差別化学習は、最近顕著なパラダイムになっている。 第一のボトルネックは、高品質なラベル付きデータに対する大胆な欲求にある。 収集した生データの一部を段階的に注釈付けする計画指向のアクティブラーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-03-05T11:39:07Z)
• AD-NEV: A Scalable Multi-level Neuroevolution Framework for Multivariate Anomaly Detection [1.0323063834827415]
  異常検出ツールと手法は、現代のサイバー物理および障害予測システムにおいて重要な機能を示す。 与えられたデータセットのモデル最適化は、面倒で時間のかかるプロセスである。 スケーラブルな多レベル最適化ニューロエボリューションフレームワークであるAnomaly Detection Neuroevolution (AD-NEv)を提案する。
  論文  参考訳（メタデータ） (2023-05-25T21:52:38Z)
• Constructing a meta-learner for unsupervised anomaly detection [4.51652759148835]
  教師なし異常検出は、幅広い応用に欠かせない。 すべてのADタスクに対して1つのアルゴリズムが優れていることが判明した。 本研究は、適切な教師なしADアルゴリズムを識別する新しいメタラーニング手法を提案する。
  論文  参考訳（メタデータ） (2023-04-22T16:13:11Z)
• Key Design Choices for Double-Transfer in Source-Free Unsupervised Domain Adaptation [18.21955526087808]
  本稿では、SF-UDA(Source-Free Unsupervised Domain Adaptation)における主要な設計選択の詳細な分析を行う。 正規化アプローチ、事前学習戦略、バックボーンアーキテクチャを最も重要な要素として挙げる。 SF-UDAは、標準ベンチマークやバックボーンアーキテクチャよりも競争力があり、データと計算コストのごく一部でUDAと同等の性能を発揮することを示す。
  論文  参考訳（メタデータ） (2023-02-10T17:00:37Z)
• Data-Efficient and Interpretable Tabular Anomaly Detection [54.15249463477813]
  本稿では,ホワイトボックスモデルクラスである一般化付加モデルを適用し,異常を検出する新しいフレームワークを提案する。 さらに、提案フレームワークであるDIADは、ラベル付きデータの少量を組み込んで、半教師付き設定における異常検出性能をさらに向上させることができる。
  論文  参考訳（メタデータ） (2022-03-03T22:02:56Z)
• A2Log: Attentive Augmented Log Anomaly Detection [53.06341151551106]
  異常検出は、ITサービスの信頼性とサービス性にとってますます重要になる。 既存の教師なし手法は、適切な決定境界を得るために異常な例を必要とする。 我々は,異常判定と異常判定の2段階からなる教師なし異常検出手法であるA2Logを開発した。
  論文  参考訳（メタデータ） (2021-09-20T13:40:21Z)
• Unsupervised and self-adaptative techniques for cross-domain person re-identification [82.54691433502335]
  非重複カメラにおける人物再識別(ReID)は難しい課題である。 Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。 本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
  論文  参考訳（メタデータ） (2021-03-21T23:58:39Z)

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。