論文の概要: Anomaly Heterogeneity Learning for Open-set Supervised Anomaly Detection
- arxiv url: http://arxiv.org/abs/2310.12790v1
- Date: Thu, 19 Oct 2023 14:47:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-20 14:56:43.451700
- Title: Anomaly Heterogeneity Learning for Open-set Supervised Anomaly Detection
- Title（参考訳）: 開集合監督型異常検出のための異常不均一学習
- Authors: Jiawen Zhu, Choubo Ding, Yu Tian, Guansong Pang
- Abstract要約: オープンセット型教師付き異常検出(OSAD)は、トレーニング中に見られたいくつかの異常クラスのサンプルを利用して、見えない異常を検出することを目的としている。
異種不均一分布の多様集合をシミュレートする新しいアプローチ,すなわちAHL(Anomaly Heterogeneity Learning)を導入する。
- 参考スコア（独自算出の注目度）: 28.50015328653171
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Open-set supervised anomaly detection (OSAD) - a recently emerging anomaly
detection area - aims at utilizing a few samples of anomaly classes seen during
training to detect unseen anomalies (i.e., samples from open-set anomaly
classes), while effectively identifying the seen anomalies. Benefiting from the
prior knowledge illustrated by the seen anomalies, current OSAD methods can
often largely reduce false positive errors. However, these methods treat the
anomaly examples as from a homogeneous distribution, rendering them less
effective in generalizing to unseen anomalies that can be drawn from any
distribution. In this paper, we propose to learn heterogeneous anomaly
distributions using the limited anomaly examples to address this issue. To this
end, we introduce a novel approach, namely Anomaly Heterogeneity Learning
(AHL), that simulates a diverse set of heterogeneous (seen and unseen) anomaly
distributions and then utilizes them to learn a unified heterogeneous
abnormality model. Further, AHL is a generic framework that existing OSAD
models can plug and play for enhancing their abnormality modeling. Extensive
experiments on nine real-world anomaly detection datasets show that AHL can 1)
substantially enhance different state-of-the-art (SOTA) OSAD models in
detecting both seen and unseen anomalies, achieving new SOTA performance on a
large set of datasets, and 2) effectively generalize to unseen anomalies in new
target domains.
- Abstract（参考訳）: オープンセット監視された異常検出(OSAD)は、最近出現している異常検出領域であり、トレーニング中に見られるいくつかの異常クラスのサンプルを利用して、未確認の異常(すなわち、オープンセットの異常クラスからのサンプル)を検出し、その異常を効果的に識別することを目的としている。
従来の知識から見れば、現在のOSAD法は、しばしば偽陽性の誤りを大幅に減らすことができる。
しかし、これらの手法は、異常な例を均質分布から扱い、任意の分布から引き出すことができる未知の異常に一般化する効果が低い。
本稿では,本問題に対処する限られた異常例を用いて異種異常分布を学習することを提案する。
そこで本研究では,異種不均一性学習(AHL, Anomaly Heterogeneity Learning)という,異種異常分布の多様集合をシミュレートした新しい手法を提案する。
さらに、AHLは既存のOSADモデルをプラグインし、それらの異常モデリングを強化するための一般的なフレームワークである。
9つの実世界の異常検出データセットに関する広範囲な実験
1) 目視異常と目視異常の両方を検出し,大規模なデータセットで新たなsota性能を実現することで,osadモデルの精度を大幅に向上させる。
2)新規標的領域の異常を効果的に一般化する。
関連論文リスト
- 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) - 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) - Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。
PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。
異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
論文 参考訳（メタデータ） (2022-12-05T05:03:46Z) - Explicit Boundary Guided Semi-Push-Pull Contrastive Learning for
Supervised Anomaly Detection [14.27685411466415]
ほとんどの異常検出(AD)モデルは、教師なしの方法で通常のサンプルのみを使用して学習される。
そこで本研究では,新しい境界案内型半プッシュプルコントラスト学習機構を提案する。
論文 参考訳（メタデータ） (2022-07-04T14:50:23Z) - Anomaly Detection by Leveraging Incomplete Anomalous Knowledge with
Anomaly-Aware Bidirectional GANs [15.399369134281775]
異常検出の目標は、正常なサンプルから異常なサンプルを特定することである。
本稿では,少数の異常がトレーニング段階で利用可能であることが想定されているが,これらは複数の異常タイプからのみ収集されていると推定されている。
本稿では,通常のサンプルをモデル化するだけでなく,収集した異常に対して低密度値の割り当てを保証できる確率分布の学習を提案する。
論文 参考訳（メタデータ） (2022-04-28T08:12:49Z) - Catching Both Gray and Black Swans: Open-set Supervised Anomaly
Detection [90.32910087103744]
ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。
これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。
トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。
本稿では,オープンセット型教師付き異常検出に取り組む。
論文 参考訳（メタデータ） (2022-03-28T05:21:37Z) - 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。