論文の概要: Unsupervised Anomaly Detection using Aggregated Normative Diffusion

• arxiv url: http://arxiv.org/abs/2312.01904v1
• Date: Mon, 4 Dec 2023 14:02:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-05 15:03:42.378100
• Title: Unsupervised Anomaly Detection using Aggregated Normative Diffusion
• Title（参考訳）: Aggregated Normative Diffusion を用いた教師なし異常検出
• Authors: Alexander Frotscher, Jaivardhan Kapoor, Thomas Wolfers, Christian F. Baumgartner
• Abstract要約: 教師なし異常検出は、より広い範囲の異常を識別する可能性がある。 既存の最先端のUADアプローチは、様々な種類の異常に対してうまく一般化しない。 Aggregated Normative Diffusion (ANDi) という新しいUAD法を提案する。
• 参考スコア（独自算出の注目度）: 46.24703738821696
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early detection of anomalies in medical images such as brain MRI is highly relevant for diagnosis and treatment of many conditions. Supervised machine learning methods are limited to a small number of pathologies where there is good availability of labeled data. In contrast, unsupervised anomaly detection (UAD) has the potential to identify a broader spectrum of anomalies by spotting deviations from normal patterns. Our research demonstrates that existing state-of-the-art UAD approaches do not generalise well to diverse types of anomalies in realistic multi-modal MR data. To overcome this, we introduce a new UAD method named Aggregated Normative Diffusion (ANDi). ANDi operates by aggregating differences between predicted denoising steps and ground truth backwards transitions in Denoising Diffusion Probabilistic Models (DDPMs) that have been trained on pyramidal Gaussian noise. We validate ANDi against three recent UAD baselines, and across three diverse brain MRI datasets. We show that ANDi, in some cases, substantially surpasses these baselines and shows increased robustness to varying types of anomalies. Particularly in detecting multiple sclerosis (MS) lesions, ANDi achieves improvements of up to 178% in terms of AUPRC.
• Abstract（参考訳）: 脳MRIなどの医学画像における異常の早期検出は多くの疾患の診断と治療に極めて重要である。 監視された機械学習手法は、ラベル付きデータの可用性がよい少数の病理に限られる。 対照的に、教師なし異常検出 (unsupervised anomaly detection, uad) は、通常のパターンからのずれを検出することによって、より広いスペクトルの異常を識別できる可能性がある。 我々の研究は、既存の最先端のUDAアプローチが、現実的なマルチモーダルMRデータにおける様々な種類の異常にうまく当てはまらないことを示す。 これを解決するために、Aggregated Normative Diffusion (ANDi) と呼ばれる新しいUAD手法を導入する。 直交拡散確率モデル (DDPMs) では, 予測された擬似化ステップと逆向きの真理遷移の差を集約し, ピラミッド型ガウス雑音を学習した。 我々は、最近の3つのUADベースライン、および3つの多様な脳MRIデータセットに対してANDiを検証する。 andiがこれらのベースラインを大きく上回る場合があり、様々なタイプの異常に対して強固性が増すことが示されている。 特に多発性硬化症 (ms) 病変の検出では, auprcで178%の改善が得られた。

関連論文リスト

• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• Anomaly Heterogeneity Learning for Open-set Supervised Anomaly Detection [26.08881235151695]
  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。 AHL can 1) は, 目に見える異常や見えない異常の検出において, 最先端のOSADモデルを大幅に強化し, 2) 新たな領域の異常を効果的に一般化することを示した。
  論文  参考訳（メタデータ） (2023-10-19T14:47:11Z)
• Open-Set Multivariate Time-Series Anomaly Detection [7.127829790714167]
  時系列異常検出法は、トレーニング期間中に通常のサンプルのみが利用可能であると仮定する。 監視された手法は、通常の異常や観察された異常を分類するために利用することができるが、訓練中に見られる異常に過度に適応する傾向がある。 MOSAD(Multivarate Open-Set Time-Series Anomaly Detector)と呼ばれるオープンセットTSAD問題に対処するアルゴリズムを提案する。 MOSADは、共有表現空間と、生成ヘッド、識別ヘッド、異常認識コントラストヘッドを含む特殊ヘッドを備えた、新しいマルチヘッドTSADフレームワークである。
  論文  参考訳（メタデータ） (2023-10-18T19:55:11Z)
• Diversity-Measurable Anomaly Detection [106.07413438216416]
  本稿では,再構成の多様性を高めるため,DMAD(Diversity-Measurable Anomaly Detection)フレームワークを提案する。 PDMは基本的に、変形を埋め込みから分離し、最終的な異常スコアをより信頼性を高める。
  論文  参考訳（メタデータ） (2023-03-09T05:52:42Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• 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)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• Progressive GANomaly: Anomaly detection with progressively growing GANs [0.08122270502556374]
  異常検出(英: Anomaly detection)とは、正常なデータのみをトレーニングしながら、目に見えない異常なデータを検出できる方法である。 本稿では, 既存手法であるGANomalyと, 段階的に成長するGANを組み合わせることで, 新たな手法を提案する。 本手法はFashion MNIST, Medical Out-of-Distribution Analysis Challenge (MOOD), in-house brain MRIを用いて検討した。
  論文  参考訳（メタデータ） (2022-06-08T13:13:01Z)
• PANDA : Perceptually Aware Neural Detection of Anomalies [20.838700258121197]
  視覚的に異なる異常と微妙な異常の両方を検出するために、半監督方式で訓練された新しい微粒VAE-GANアーキテクチャを提案する。 残差接続された二重機能抽出器, きめ細かい識別器, 知覚的損失関数を用いることで, 微妙で低いクラス間変異(異常対正常)を検出することができる。
  論文  参考訳（メタデータ） (2021-04-28T11:03:50Z)

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。

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。