Fugu-MT 論文翻訳(概要): CAD-DA: Controllable Anomaly Detection after Domain Adaptation by Statistical Inference

論文の概要: CAD-DA: Controllable Anomaly Detection after Domain Adaptation by Statistical Inference

arxiv url: http://arxiv.org/abs/2310.14608v1
Date: Mon, 23 Oct 2023 06:34:33 GMT
ステータス: 処理完了
システム内更新日: 2023-10-24 22:09:19.157888
Title: CAD-DA: Controllable Anomaly Detection after Domain Adaptation by Statistical Inference
Title（参考訳）: CAD-DA:統計的推論によるドメイン適応後の制御可能な異常検出
Authors: Vo Nguyen Le Duy, Hsuan-Tien Lin, Ichiro Takeuchi
Abstract要約: ドメイン適応(DA)下での異常検出(AD)の結果をテストするための新しい統計的手法を提案する。 CAD-DAの際立った利点は、事前に特定されたレベルで異常を誤認する確率を制御できることにある。本研究では,CAD-DA法の性能評価を行った。
参考スコア（独自算出の注目度）: 34.26233753071248
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a novel statistical method for testing the results of anomaly detection (AD) under domain adaptation (DA), which we call CAD-DA -- controllable AD under DA. The distinct advantage of the CAD-DA lies in its ability to control the probability of misidentifying anomalies under a pre-specified level $\alpha$ (e.g., 0.05). The challenge within this DA setting is the necessity to account for the influence of DA to ensure the validity of the inference results. Our solution to this challenge leverages the concept of conditional Selective Inference to handle the impact of DA. To our knowledge, this is the first work capable of conducting a valid statistical inference within the context of DA. We evaluate the performance of the CAD-DA method on both synthetic and real-world datasets.
Abstract（参考訳）: 本稿では,ドメイン適応(DA)の下での異常検出(AD)の結果をテストするための新しい統計手法を提案し,CAD-DA制御可能なAD(DA)と呼ぶ。 CAD-DAの際立った利点は、事前に指定されたレベル$\alpha$(例えば0.05)で誤同定の確率を制御できることにある。このda設定における課題は、推論結果の妥当性を確保するためにdaの影響を考慮する必要があることである。この課題に対する我々の解決策は、DAの影響に対処するために条件選択推論の概念を活用する。私たちの知る限りでは、daの文脈で有効な統計的推論を行うことができる最初の仕事です。本研究では,cad-da法の性能を合成データと実世界データの両方で評価する。

関連論文リスト

Unveiling the Superior Paradigm: A Comparative Study of Source-Free Domain Adaptation and Unsupervised Domain Adaptation [52.36436121884317]
Source-Free Domain Adaptation (SFDA) は、現実のシナリオにおいて、Unsupervised Domain Adaptation (UDA) よりも一般的に優れていることを示す。 SFDAは、時間効率、ストレージ要件、対象とする学習目標、負の移動リスクの低減、過度な適合に対する堅牢性の向上といった利点を提供している。利用可能なソースデータをマルチSFDA手法に効果的に統合する新しい重み推定法を提案する。
論文参考訳（メタデータ） (2024-11-24T13:49:29Z)
Enhancing Training Data Attribution for Large Language Models with Fitting Error Consideration [74.09687562334682]
Debias and Denoise Attribution (DDA) と呼ばれる新しいトレーニングデータ属性法を導入する。提案手法は既存のアプローチよりも優れており,平均91.64%のAUCを実現している。 DDAは、様々なソースとLLaMA2、QWEN2、Mistralのような異なるスケールのモデルに対して、強力な汎用性とスケーラビリティを示す。
論文参考訳（メタデータ） (2024-10-02T07:14:26Z)
UDA-Bench: Revisiting Common Assumptions in Unsupervised Domain Adaptation Using a Standardized Framework [59.428668614618914]
現代無監督領域適応法(UDA)の有効性に影響を及ぼす様々な要因について, より深く考察する。分析を容易にするため,ドメイン適応のためのトレーニングと評価を標準化する新しいPyTorchフレームワークであるUDA-Benchを開発した。
論文参考訳（メタデータ） (2024-09-23T17:57:07Z)
Unsupervised Domain Adaptation Via Data Pruning [0.0]
非教師なし領域適応(UDA)の観点から問題を考える。本稿では,UDAのトレーニング例を取り除き,トレーニング分布を対象データと整合させる手法であるAdaPruneを提案する。 UDAの手法として、AdaPruneは関連する技術より優れており、CoRALなどの他のUDAアルゴリズムと相補的であることを示す。
論文参考訳（メタデータ） (2024-09-18T15:48:59Z)
DACAD: Domain Adaptation Contrastive Learning for Anomaly Detection in Multivariate Time Series [25.434379659643707]
時系列異常検出では、ラベル付きデータの不足が正確なモデルの開発に困難をもたらす。時系列における異常検出のための新しいドメインコントラスト学習モデル(DACAD)を提案する。本モデルでは,ソース領域に対する教師付きコントラスト損失と,ターゲット領域に対する自己監督型コントラスト型3重項損失を用いる。
論文参考訳（メタデータ） (2024-04-17T11:20:14Z)
Can We Evaluate Domain Adaptation Models Without Target-Domain Labels? [36.05871459064825]
教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベル豊富なソースドメインでトレーニングされたモデルをラベルなしのターゲットドメインに適応させる。現実のシナリオでは、ターゲットドメインラベルがないため、UDAモデルの性能を評価するのは難しい。これらの問題に対処するため,textitTransfer Scoreと呼ばれる新しいメトリクスを提案する。
論文参考訳（メタデータ） (2023-05-30T03:36:40Z)
IT-RUDA: Information Theory Assisted Robust Unsupervised Domain Adaptation [7.225445443960775]
トレイン(ソース)とテスト(ターゲット)データセット間の分散シフトは、マシンラーニングアプリケーションで発生する一般的な問題である。 UDA技術はラベル豊富なソースドメインからラベルのないターゲットドメインへの知識伝達を行う。ソースまたはターゲットデータセットのいずれかに存在するアウトリーチは、実際にUDAを使用する場合、さらなる課題をもたらす可能性がある。
論文参考訳（メタデータ） (2022-10-24T04:33:52Z)
Concurrent Subsidiary Supervision for Unsupervised Source-Free Domain Adaptation [58.431124236254]
本研究では, ステッカー介入とキャストステッカー分類の新たなプロセスを開発し, 教師なしDAの目標タスクと並行して, 教師なしDA問題として扱う。提案手法は,目標タスク適応性能の向上だけでなく,プライバシ指向のソースフリーDAも促進する。
論文参考訳（メタデータ） (2022-07-27T02:25:09Z)
Learning Unbiased Transferability for Domain Adaptation by Uncertainty Modeling [107.24387363079629]
ドメイン適応は、ラベル付けされたソースドメインからラベル付けされていない、あるいはラベル付けされていないが関連するターゲットドメインに知識を転送することを目的としています。ソース内のアノテートされたデータの量とターゲットドメインとの間の不均衡のため、ターゲットの分布のみがソースドメインにアライメントされる。本稿では,非暴力的非暴力的移動可能性推定プラグイン(UTEP)を提案し,非暴力的移動を最適化するDA法において,識別器の不確実性をモデル化する。
論文参考訳（メタデータ） (2022-06-02T21:58:54Z)
Dimensionality Reduction and Anomaly Detection for CPPS Data using Autoencoder [3.918927916284284]
CPPS異常検出法では,2つの側面が相補的である可能性が示唆された。本研究では、DR/ADアプローチとして非線形オートエンコーダ(AE)に焦点を当てる。このアプローチは、比較的単純で簡単なアプリケーションとともに、最先端の技術よりも優れています。
論文参考訳（メタデータ） (2020-10-28T13:16:58Z)

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。