Fugu-MT 論文翻訳(概要): Fast Particle-based Anomaly Detection Algorithm with Variational Autoencoder

論文の概要: Fast Particle-based Anomaly Detection Algorithm with Variational Autoencoder

arxiv url: http://arxiv.org/abs/2311.17162v1
Date: Tue, 28 Nov 2023 19:00:29 GMT
ステータス: 処理完了
システム内更新日: 2023-11-30 23:43:09.515549
Title: Fast Particle-based Anomaly Detection Algorithm with Variational Autoencoder
Title（参考訳）: 変分オートエンコーダを用いた高速粒子異常検出アルゴリズム
Authors: Ryan Liu, Abhijith Gandrakota, Jennifer Ngadiuba, Maria Spiropulu, Jean-Roch Vlimant
Abstract要約: 本研究では,粒子ベース変分オートエンコーダ(VAE)の異常検出アルゴリズムであるSet-VAEを提案する。従来のサブジェティネスに基づくジェット選択と比較して2倍の信号効率向上を示す。システムトリガの今後の展開に注目して,異常検出の推論時間コストを削減するCLIP-VAEを提案する。
参考スコア（独自算出の注目度）: 1.658130005539979
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Model-agnostic anomaly detection is one of the promising approaches in the search for new beyond the standard model physics. In this paper, we present Set-VAE, a particle-based variational autoencoder (VAE) anomaly detection algorithm. We demonstrate a 2x signal efficiency gain compared with traditional subjettiness-based jet selection. Furthermore, with an eye to the future deployment to trigger systems, we propose the CLIP-VAE, which reduces the inference-time cost of anomaly detection by using the KL-divergence loss as the anomaly score, resulting in a 2x acceleration in latency and reducing the caching requirement.
Abstract（参考訳）: モデル非依存異常検出は、標準模型物理学を超えた新しい探索において有望なアプローチの1つである。本稿では,粒子ベース変分オートエンコーダ(VAE)異常検出アルゴリズムであるSet-VAEを提案する。従来のジェット選択に比べて2倍の信号効率向上を示す。さらに,システムトリガの今後の展開に注目して,KL分割損失を異常スコアとして用いて異常検出の推論時間コストを削減するCLIP-VAEを提案し,遅延の2倍の高速化とキャッシング要求の低減を実現した。

関連論文リスト

Attention and Autoencoder Hybrid Model for Unsupervised Online Anomaly Detection [3.6049348666007934]
本稿では,時系列における教師なしオンライン異常検出のためのハイブリッドアテンションとオートエンコーダ(AE)モデルを提案する。オートエンコーダは局所的な構造パターンを短い埋め込みで捉え、アテンションモデルは長期的特徴を学習し、位置符号化による並列計算を容易にする。これは、ディープトランスモデルに似た注意に基づくメカニズムを採用しており、オートエンコーダの潜在空間における次のステップウィンドウを予測するための重要なアーキテクチャ上の変更である。
論文参考訳（メタデータ） (2024-01-06T22:55:02Z)
Expert enhanced dynamic time warping based anomaly detection [1.3812010983144802]
本稿では,E-DTWA(Expert enhanced dynamic time warping anomaly detection)と呼ばれる新しい異常検出手法を提案する。 DTWをベースにしており、Human-in-the-loopコンセプトを含むさらなる拡張が加えられている。提案手法の主な利点は、専門家の検知フィードバックを強く考慮した、効率的な検出、柔軟な再訓練である。
論文参考訳（メタデータ） (2023-10-02T04:54:04Z)
Quantile LSTM: A Robust LSTM for Anomaly Detection In Time Series Data [0.0]
我々は、時間的長期依存性をモデル化するために、人気のあるLong Short Term Memory Network (LSTM) アーキテクチャで新しい学習可能なアクティベーション関数を使用する。提案アルゴリズムは、分離フォレスト(iForest)、楕円エンベロープ、オートエンコーダ、およびDeep Autoencoding Gaussian Mixture Model (DAGMM)、Generative Adversarial Networks (GAN)のような現代のディープラーニングモデルなど、他のよく知られた異常検出アルゴリズムと比較される。このアルゴリズムは、Yahoo、AWS、GE、マシンセンサーなど、複数の産業時系列データセットでテストされている。
論文参考訳（メタデータ） (2023-02-17T06:03:16Z)
A Novel Self-Supervised Learning-Based Anomaly Node Detection Method Based on an Autoencoder in Wireless Sensor Networks [4.249028315152528]
本稿では,オートエンコーダに基づく自己教師付き学習に基づく異常ノード検出手法を設計する。本手法は,時間的WSNデータフロー特徴抽出,空間的位置特徴抽出,モーダルWSN相関特徴抽出を統合する。実験の結果、設計法はベースラインを上回り、F1スコアは90.6%に達した。
論文参考訳（メタデータ） (2022-12-26T01:54:02Z)
A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文参考訳（メタデータ） (2022-09-23T06:09:35Z)
Hierarchical Conditional Variational Autoencoder Based Acoustic Anomaly Detection [8.136103644634348]
既存手法としては、ディープオートエンコーダ(DAE)、変分オートエンコーダ(VAE)、条件変分オートエンコーダ(CVAE)などがある。階層型条件変分オートエンコーダ(HCVAE)と呼ばれる新しい手法を提案する。この方法は、産業施設に関する利用可能な分類学的階層的知識を利用して、潜在空間の表現を洗練させる。
論文参考訳（メタデータ） (2022-06-11T08:15:01Z)
The KFIoU Loss for Rotated Object Detection [115.334070064346]
本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
論文参考訳（メタデータ） (2022-01-29T10:54:57Z)
ESAD: End-to-end Deep Semi-supervised Anomaly Detection [85.81138474858197]
正規データと異常データの間のKL偏差を計測する新たな目的関数を提案する。提案手法は,複数のベンチマークデータセットの最先端性能を著しく上回っている。
論文参考訳（メタデータ） (2020-12-09T08:16:35Z)
SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
論文参考訳（メタデータ） (2020-07-26T12:32:38Z)
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)
SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。