Fugu-MT 論文翻訳(概要): Multiscale Feature Attribution for Outliers

論文の概要: Multiscale Feature Attribution for Outliers

arxiv url: http://arxiv.org/abs/2310.20012v1
Date: Mon, 30 Oct 2023 20:58:28 GMT
ステータス: 処理完了
システム内更新日: 2023-11-01 17:38:43.339251
Title: Multiscale Feature Attribution for Outliers
Title（参考訳）: 外乱に対するマルチスケール特徴属性
Authors: Jeff Shen, Peter Melchior
Abstract要約: 本稿では,特に外れ値に特化して設計された特徴帰属手法である逆マルチスケールオクルージョンを提案する。ダークエネルギーサーベイ・インスツルメンツから検出された銀河スペクトルの外れ値について,本手法を実証する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Machine learning techniques can automatically identify outliers in massive datasets, much faster and more reproducible than human inspection ever could. But finding such outliers immediately leads to the question: which features render this input anomalous? We propose a new feature attribution method, Inverse Multiscale Occlusion, that is specifically designed for outliers, for which we have little knowledge of the type of features we want to identify and expect that the model performance is questionable because anomalous test data likely exceed the limits of the training data. We demonstrate our method on outliers detected in galaxy spectra from the Dark Energy Survey Instrument and find its results to be much more interpretable than alternative attribution approaches.
Abstract（参考訳）: 機械学習のテクニックは、巨大なデータセットの外れ値を自動的に識別し、人間の検査よりもはるかに高速で再現性が高い。どの機能がこの入力を異常にレンダリングするのか? 本稿では, 異常なテストデータがトレーニングデータの限界を超える可能性があり, モデル性能が疑わしいと期待できる機能の種類を, 特定したい機能の種類についてほとんど知らないような, 外れ値に特化して設計された機能帰属手法である逆マルチスケールオクルージョンを提案する。我々は、ダークエネルギーサーベイ機器から銀河スペクトルから検出された異常値の方法を示し、その結果が別の帰属アプローチよりもずっと解釈可能であることを見出した。

関連論文リスト

Diversified Outlier Exposure for Out-of-Distribution Detection via Informative Extrapolation [110.34982764201689]
Out-of-Distribution(OOD)検出は、現実のアプリケーションに信頼性の高い機械学習モデルをデプロイするために重要である。近年, 外部曝露によるOOD検出に有意な結果が得られた。本稿では,補助外乱量に基づく情報外挿による効果的なOOD検出のための新しい枠組み,すなわちDivOE(Diversified Outlier Exposure)を提案する。
論文参考訳（メタデータ） (2023-10-21T07:16:09Z)
Performance Issue Identification in Cloud Systems with Relational-Temporal Anomaly Detection [5.473091770227683]
パフォーマンス上の問題は、大規模なクラウドサービスシステムに浸透し、大きな収益損失をもたらす可能性がある。信頼性の高いパフォーマンスを保証するためには、サービス監視メトリクスを使用してこれらの問題を正確に識別することが不可欠です。いくつかの既存手法は、異常を検出するために各計量を独立に解析することでこの問題に対処している。
論文参考訳（メタデータ） (2023-07-20T13:41:26Z)
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)
Adaptive Negative Evidential Deep Learning for Open-set Semi-supervised Learning [69.81438976273866]
オープンセット半教師付き学習(Open-set SSL)は、ラベル付きデータ(inliers)で観測されない新しいカテゴリ(outliers)を含むラベル付きデータとテストデータを含む、より実践的なシナリオである。本研究では,様々な不確かさを定量化するための外乱検出器として顕在的深層学習(EDL)を導入し,自己学習と推論のための異なる不確実性指標を設計する。 Inlierとoutlierの両方を含むラベルなしデータセットに適合するように、新しい適応的負の最適化戦略を提案する。
論文参考訳（メタデータ） (2023-03-21T09:07:15Z)
SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
異常検出は、機械学習の基本的な問題であるが、難しい問題である。本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
論文参考訳（メタデータ） (2021-11-25T03:53:43Z)
Learning to Rank Anomalies: Scalar Performance Criteria and Maximization of Two-Sample Rank Statistics [0.0]
本稿では,観測結果の異常度を反映した特徴空間上で定義されたデータ駆動スコアリング関数を提案する。このスコアリング関数は、よく設計された二項分類問題を通じて学習される。本稿では,予備的な数値実験による方法論について解説する。
論文参考訳（メタデータ） (2021-09-20T14:45:56Z)
Unsupervised Outlier Detection using Memory and Contrastive Learning [53.77693158251706]
特徴空間における外乱検出は,外乱検出から外乱検出までの特徴距離を測定することで行うことができると考えている。本稿では,メモリモジュールとコントラスト学習モジュールを用いたMCODフレームワークを提案する。提案したMCODは高い性能を達成し,9つの最先端手法より優れる。
論文参考訳（メタデータ） (2021-07-27T07:35:42Z)
Combining Feature and Instance Attribution to Detect Artifacts [62.63504976810927]
トレーニングデータアーティファクトの識別を容易にする手法を提案する。提案手法は,トレーニングデータのアーティファクトの発見に有効であることを示す。我々は,これらの手法が実際にNLP研究者にとって有用かどうかを評価するために,小規模なユーザスタディを実施している。
論文参考訳（メタデータ） (2021-07-01T09:26:13Z)
Deep Visual Anomaly detection with Negative Learning [18.79849041106952]
本稿では、異常検出の強化に負の学習概念を用いる、負の学習を伴う異常検出(ADNL)を提案する。その考え方は、与えられた少数の異常例を用いて生成モデルの再構成能力を制限することである。このようにして、ネットワークは通常のデータを再構築することを学ぶだけでなく、異常の可能性のある分布から遠く離れた正規分布を囲む。
論文参考訳（メタデータ） (2021-05-24T01:48:44Z)
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)
Interpretable Anomaly Detection with Mondrian P{\'o}lya Forests on Data Streams [6.177270420667713]
スケールでの異常検出は、非常に困難な実用性の問題である。最近の研究は、異常検出のためのデータを要約するために、(ランダムな)$k$emphd-treesのバリエーションを合体させてきた。これらの手法は、容易に解釈できないアドホックスコア関数に依存している。我々はこれらの手法をモンドリアンポリアフォレストと呼ぶ確率的枠組みでコンテキスト化する。
論文参考訳（メタデータ） (2020-08-04T13:19:07Z)

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。