論文の概要: Model Selection of Zero-shot Anomaly Detectors in the Absence of Labeled
Validation Data
- arxiv url: http://arxiv.org/abs/2310.10461v2
- Date: Fri, 9 Feb 2024 16:59:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-12 20:18:29.266395
- Title: Model Selection of Zero-shot Anomaly Detectors in the Absence of Labeled
Validation Data
- Title(参考訳): ラベル付き検証データがない場合のゼロショット異常検出器のモデル選択
- Authors: Clement Fung, Chen Qiu, Aodong Li, Maja Rudolph
- Abstract要約: 異常検出には、大きなラベルのないデータセットで異常サンプルを検出する必要がある。
SWSA: 生成した合成検証セットを用いて画像ベース異常検出装置を選択するためのフレームワークを提案する。
SWSAは, 基線法よりもAUROCの方が高い結果を得るため, 基底構造検証セットで選択したモデルを選択することが多い。
- 参考スコア(独自算出の注目度): 19.919234682696306
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Anomaly detection requires detecting abnormal samples in large unlabeled
datasets. While progress in deep learning and the advent of foundation models
has produced powerful zero-shot anomaly detection methods, their deployment in
practice is often hindered by the lack of labeled data -- without it, their
detection performance cannot be evaluated reliably. In this work, we propose
SWSA (Selection With Synthetic Anomalies): a general-purpose framework to
select image-based anomaly detectors with a generated synthetic validation set.
Our proposed anomaly generation method assumes access to only a small support
set of normal images and requires no training or fine-tuning. Once generated,
our synthetic validation set is used to create detection tasks that compose a
validation framework for model selection. In an empirical study, we find that
SWSA often selects models that match selections made with a ground-truth
validation set, resulting in higher AUROCs than baseline methods. We also find
that SWSA selects prompts for CLIP-based anomaly detection that outperform
baseline prompt selection strategies on all datasets, including the challenging
MVTec-AD and VisA datasets.
- Abstract(参考訳): 異常検出には、大きなラベルのないデータセットで異常サンプルを検出する必要がある。
ディープラーニングの進歩と基礎モデルの出現は強力なゼロショット異常検出手法を生み出しているが、ラベル付きデータの欠如によって実際にデプロイされることは、しばしば妨げられている。
本稿では,swasa(select with synthetic anomalies)を提案する。swasaは,画像に基づく異常検出を合成検証セットで選択するための汎用フレームワークである。
提案手法は,通常の画像の少数のサポートセットにのみアクセス可能であり,トレーニングや微調整は不要である。
一度生成すると、モデル選択のための検証フレームワークを構成する検出タスクを作成するために、合成検証セットが使用されます。
実験的な研究で、SWSAは接地的真正性検証セットで選択したモデルを選択することが多く、その結果、ベースライン法よりもAUROCが高いことが判明した。
また、SWSAがCLIPベースの異常検出のプロンプトを選択し、MVTec-ADやVisAデータセットなど、すべてのデータセットにおけるベースラインの選択戦略を上回ります。
関連論文リスト
- Active anomaly detection based on deep one-class classification [9.904380236739398]
我々は,Deep SVDDにおけるアクティブラーニングの2つの重要な課題,すなわちクエリ戦略と半教師付きラーニング手法に対処する。
まず、単に異常を識別するのではなく、適応境界に従って不確実なサンプルを選択する。
第2に、ラベル付き正規データと異常データの両方を効果的に組み込むために、一級分類モデルの訓練にノイズコントラスト推定を適用した。
論文 参考訳(メタデータ) (2023-09-18T03:56:45Z) - LafitE: Latent Diffusion Model with Feature Editing for Unsupervised
Multi-class Anomaly Detection [12.596635603629725]
我々は,通常のデータのみにアクセス可能な場合に,複数のクラスに属するオブジェクトから異常を検出する統一モデルを開発した。
まず、生成的アプローチについて検討し、再構成のための潜伏拡散モデルについて検討する。
「拡散モデルの入力特徴空間を修正し、アイデンティティショートカットをさらに緩和する特徴編集戦略を導入する。」
論文 参考訳(メタデータ) (2023-07-16T14:41:22Z) - On the Universal Adversarial Perturbations for Efficient Data-free
Adversarial Detection [55.73320979733527]
本稿では,UAPに対して正常サンプルと逆サンプルの異なる応答を誘導する,データに依存しない逆検出フレームワークを提案する。
実験結果から,本手法は様々なテキスト分類タスクにおいて,競合検出性能を実現することが示された。
論文 参考訳(メタデータ) (2023-06-27T02:54:07Z) - Rethinking Precision of Pseudo Label: Test-Time Adaptation via
Complementary Learning [10.396596055773012]
本稿では,テスト時間適応性を高めるための新しい補完学習手法を提案する。
テスト時適応タスクでは、ソースドメインからの情報は通常利用できない。
我々は,相補ラベルのリスク関数がバニラ損失式と一致することを強調した。
論文 参考訳(メタデータ) (2023-01-15T03:36:33Z) - SPADE: Semi-supervised Anomaly Detection under Distribution Mismatch [58.04518381476167]
SPADEは、分布ミスマッチを伴う幅広いシナリオにわたって、最先端の半教師付き異常検出性能を示す。
新しいタイプのラベルのない異常に直面したモデルなど、いくつかの一般的な現実世界設定では、SPADEは最先端の代替品を平均5%のAUCで上回っている。
論文 参考訳(メタデータ) (2022-11-30T23:39:11Z) - Unsupervised Model Selection for Time-series Anomaly Detection [7.8027110514393785]
提案手法は, 予測誤差, モデル中心性, および, 注入された合成異常に対する性能の3種類のサロゲート(教師なし)メトリクスを同定する。
我々は、厳密なランク集約問題として、複数の不完全なサロゲート指標との計量結合を定式化する。
複数の実世界のデータセットに対する大規模な実験は、我々の提案した教師なしアプローチが、最も正確なモデルを選択するのと同じくらい効果的であることを示す。
論文 参考訳(メタデータ) (2022-10-03T16:49:30Z) - Self-Supervised Guided Segmentation Framework for Unsupervised Anomaly
Detection [24.26958675342856]
産業アプリケーションでは、教師なし異常検出は難しい課題である。
偽検体と実検体の間の分布ギャップは、偽検体に基づいて訓練されたモデルが実検体を効果的に見つけるのを困難にしている。
SGSF(Self-Supervised Guided Framework)は,異常検出のためのセグメンテーションのガイダンス情報として,鍛造された異常サンプルと通常のサンプル特徴を生成するために提案されている。
論文 参考訳(メタデータ) (2022-09-26T06:14:56Z) - Pareto Optimization for Active Learning under Out-of-Distribution Data
Scenarios [79.02009938011447]
本研究では,未ラベルデータプールからバッチサイズを固定した未ラベルサンプルの最適なサブセットを選択するサンプリング手法を提案する。
実験の結果,従来の機械学習(ML)タスクとディープラーニング(DL)タスクの両方において,その効果が示された。
論文 参考訳(メタデータ) (2022-07-04T04:11:44Z) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳(メタデータ) (2021-11-30T18:42:42Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳(メタデータ) (2021-05-30T22:07:13Z) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2020-03-24T08:26:58Z)
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。