論文の概要: On Pixel-level Performance Assessment in Anomaly Detection
- arxiv url: http://arxiv.org/abs/2310.16435v1
- Date: Wed, 25 Oct 2023 08:02:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-26 16:07:07.300336
- Title: On Pixel-level Performance Assessment in Anomaly Detection
- Title(参考訳): 異常検出における画素レベル性能評価について
- Authors: Mehdi Rafiei, Toby P. Breckon, Alexandros Iosifidis
- Abstract要約: 異常検出法は様々な応用において顕著な成功を収めている。
しかし、特にピクセルレベルでのパフォーマンスを評価することは複雑な課題である。
本稿では,視覚的エビデンスと統計的分析により,この課題の複雑さを解明する。
- 参考スコア(独自算出の注目度): 87.7131059062292
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomaly detection methods have demonstrated remarkable success across various
applications. However, assessing their performance, particularly at the
pixel-level, presents a complex challenge due to the severe imbalance that is
most commonly present between normal and abnormal samples. Commonly adopted
evaluation metrics designed for pixel-level detection may not effectively
capture the nuanced performance variations arising from this class imbalance.
In this paper, we dissect the intricacies of this challenge, underscored by
visual evidence and statistical analysis, leading to delve into the need for
evaluation metrics that account for the imbalance. We offer insights into more
accurate metrics, using eleven leading contemporary anomaly detection methods
on twenty-one anomaly detection problems. Overall, from this extensive
experimental evaluation, we can conclude that Precision-Recall-based metrics
can better capture relative method performance, making them more suitable for
the task.
- Abstract(参考訳): 異常検出手法は様々な応用で顕著な成功を収めている。
しかしながら、特に画素レベルでの性能を評価することは、通常試料と異常試料の間で最もよく見られる重度の不均衡のため、複雑な課題となる。
一般に採用されている画素レベル検出のための評価指標は、このクラスの不均衡から生じる微妙な性能変動を効果的に捉えることができない。
本稿では,この課題の複雑さを,視覚的エビデンスと統計的分析によって説明し,不均衡を考慮に入れた評価指標の必要性を考察する。
我々は,21個の異常検出問題に対して,11個の現代的異常検出手法を用いて,より正確な指標を考察する。
全体として、この広範囲な実験的評価から、精度リコールベースのメトリクスは、相対的なメソッドパフォーマンスをよりよく捉え、タスクに適合させることができると結論付けることができる。
関連論文リスト
- Few-Shot Anomaly Detection with Adversarial Loss for Robust Feature
Representations [8.915958745269442]
異常検出は、データセット内の通常のパターンや分布から逸脱したデータポイントを特定することを目的とした、重要で困難なタスクである。
ワンクラス・ワン・モデル手法を用いて様々な手法が提案されているが、これらの手法はメモリ不足や訓練に十分なデータを必要とするといった現実的な問題に直面していることが多い。
本稿では,より堅牢で一般化された特徴表現を得るために,対向訓練損失を統合する数発の異常検出手法を提案する。
論文 参考訳(メタデータ) (2023-12-04T09:45:02Z) - Delving into Identify-Emphasize Paradigm for Combating Unknown Bias [52.76758938921129]
同定精度を高めるため,有効バイアス強調スコアリング法(ECS)を提案する。
また, マイニングされたバイアスアライメントとバイアスコンプリケート試料のコントリビューションのバランスをとるために, 勾配アライメント(GA)を提案する。
様々な環境で複数のデータセットで実験を行い、提案されたソリューションが未知のバイアスの影響を軽減することを実証した。
論文 参考訳(メタデータ) (2023-02-22T14:50:24Z) - Unsupervised Anomaly Detection in Time-series: An Extensive Evaluation
and Analysis of State-of-the-art Methods [8.953720167142304]
時系列における教師なし異常検出は文献で広く研究されている。
既存の教師なし時系列異常検出手法を厳格に比較する努力はほとんど行われていない。
本稿では,近年の時系列における教師なし異常検出手法の試作と詳細な評価手法を提案する。
論文 参考訳(メタデータ) (2022-12-06T15:05:54Z) - Abnormal-aware Multi-person Evaluation System with Improved Fuzzy
Weighting [0.0]
粗スクリーニングとスコア重み付きKendall-$tau$ Distanceからなる2段階スクリーニング法を選択する。
ファジィ・シンセティック・アセスメント・メソッド(FSE)を用いて、レビュアーによるスコアの重要度と信頼性を判定する。
論文 参考訳(メタデータ) (2022-05-01T03:42:43Z) - A Revealing Large-Scale Evaluation of Unsupervised Anomaly Detection
Algorithms [0.0]
異常検出には、銀行詐欺検知やサイバー脅威検出から機器のメンテナンスや健康モニタリングまで、多くの応用がある。
我々は,最も普及している非教師付き異常検出方法の12点を概観した。
論文 参考訳(メタデータ) (2022-04-21T00:17:12Z) - Information-Theoretic Bias Reduction via Causal View of Spurious
Correlation [71.9123886505321]
本稿では,スプリアス相関の因果的解釈による情報理論バイアス測定手法を提案する。
本稿では,バイアス正規化損失を含むアルゴリズムバイアスに対する新しいデバイアスフレームワークを提案する。
提案したバイアス測定とデバイアス法は、多様な現実シナリオで検証される。
論文 参考訳(メタデータ) (2022-01-10T01:19:31Z) - 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) - Understanding the Effect of Bias in Deep Anomaly Detection [15.83398707988473]
異常検出はラベル付き異常データの不足のため、機械学習においてユニークな課題となる。
最近の研究は、追加のラベル付き異常サンプルによる深部異常検出モデルのトレーニングを増強することで、このような問題を緩和しようとするものである。
本稿では,異常検出に対するバイアス付き異常集合の効果を理解することを目的とする。
論文 参考訳(メタデータ) (2021-05-16T03:55:02Z) - Data-Uncertainty Guided Multi-Phase Learning for Semi-Supervised Object
Detection [66.10057490293981]
半監視対象検出のためのデータ不確実性誘導多相学習法を提案する。
本手法は,ベースライン手法と比較して異常に動作し,大きなマージンで性能を向上する。
論文 参考訳(メタデータ) (2021-03-29T09:27:23Z) - Self-trained Deep Ordinal Regression for End-to-End Video Anomaly
Detection [114.9714355807607]
ビデオ異常検出に自己学習深層順序回帰を適用することで,既存の手法の2つの重要な限界を克服できることを示す。
我々は,手動で正規/異常データをラベル付けすることなく,共同表現学習と異常スコアリングを可能にする,エンドツーエンドのトレーニング可能なビデオ異常検出手法を考案した。
論文 参考訳(メタデータ) (2020-03-15T08:44:55Z)
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。