論文の概要: Anomaly component analysis
- arxiv url: http://arxiv.org/abs/2312.16139v1
- Date: Tue, 26 Dec 2023 17:57:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-27 14:47:49.144803
- Title: Anomaly component analysis
- Title(参考訳): 異常成分分析
- Authors: Romain Valla, Pavlo Mozharovskyi, Florence d'Alch\'e-Buc
- Abstract要約: 本稿では,データ深度をスコアとして,異常観測を探索的に分析するための新しい統計ツールを提案する。
異常成分分析(英: Anomaly component analysis、略称: ACA)は、異常を最もよく視覚化し説明する低次元データ表現を探索する手法である。
- 参考スコア(独自算出の注目度): 3.046315755726937
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: At the crossway of machine learning and data analysis, anomaly detection aims
at identifying observations that exhibit abnormal behaviour. Be it measurement
errors, disease development, severe weather, production quality default(s)
(items) or failed equipment, financial frauds or crisis events, their on-time
identification and isolation constitute an important task in almost any area of
industry and science. While a substantial body of literature is devoted to
detection of anomalies, little attention is payed to their explanation. This is
the case mostly due to intrinsically non-supervised nature of the task and
non-robustness of the exploratory methods like principal component analysis
(PCA).
We introduce a new statistical tool dedicated for exploratory analysis of
abnormal observations using data depth as a score. Anomaly component analysis
(shortly ACA) is a method that searches a low-dimensional data representation
that best visualises and explains anomalies. This low-dimensional
representation not only allows to distinguish groups of anomalies better than
the methods of the state of the art, but as well provides a -- linear in
variables and thus easily interpretable -- explanation for anomalies. In a
comparative simulation and real-data study, ACA also proves advantageous for
anomaly analysis with respect to methods present in the literature.
- Abstract(参考訳): 機械学習とデータ分析のクロスウェイでは、異常検出は異常な振る舞いを示す観察を識別することを目的としている。
エラーの測定、病気の発生、厳しい天候、生産品質のデフォルト(イテム)、または設備の故障、金融詐欺、危機イベントなど、そのオンタイムでの識別と隔離は、産業や科学のほぼあらゆる分野において重要なタスクである。
かなりの量の文献が異常の検出に費やされているが、それらの説明にはほとんど注意が払わない。
これは、主に主成分分析(pca)のような探索的メソッドの非教師なし性と非ロバスト性によって引き起こされる。
本研究では,データ深度をスコアとして,異常観測の探索的分析を行うための新しい統計ツールを提案する。
異常成分分析(英: anomaly component analysis、略称: aca)は、異常を最も可視化し説明する低次元データ表現を検索する手法である。
この低次元表現は、芸術的状態の方法よりも優れた異常群の識別を可能にするだけでなく、変数の線形であり、したがって容易に解釈可能な異常の説明を提供する。
比較シミュレーションおよび実データ研究において、ACAは文献に存在する手法に関して異常解析に有利であることを示す。
関連論文リスト
- MeLIAD: Interpretable Few-Shot Anomaly Detection with Metric Learning and Entropy-based Scoring [2.394081903745099]
本稿では,新たな異常検出手法であるMeLIADを提案する。
MeLIADはメートル法学習に基づいており、真の異常の事前分布仮定に頼ることなく、設計による解釈可能性を達成する。
解釈可能性の定量的かつ定性的な評価を含む5つの公開ベンチマークデータセットの実験は、MeLIADが異常検出とローカライゼーション性能の改善を達成することを実証している。
論文 参考訳(メタデータ) (2024-09-20T16:01:43Z) - AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。
既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。
本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文 参考訳(メタデータ) (2023-12-10T05:13:40Z) - Leveraging healthy population variability in deep learning unsupervised
anomaly detection in brain FDG PET [0.0]
教師なし異常検出は、神経画像データの解析において一般的なアプローチである。
それは、被験者のイメージを異常を検出するために比較できる健康な外観の主題固有のモデルを構築することに依存している。
文献では、被験者の画像と擬似健康再構築の間の残像の分析に頼って異常検出を行うのが一般的である。
論文 参考訳(メタデータ) (2023-11-20T10:28:10Z) - Rare Yet Popular: Evidence and Implications from Labeled Datasets for
Network Anomaly Detection [9.717823994163277]
本稿では,ネットワーク環境における異常検出のための,公開・非公開の真理を体系的に分析する。
解析の結果, 異常は時間的に稀な事象であるが, 空間的特徴から, 異常が比較的多いことが明らかとなった。
論文 参考訳(メタデータ) (2022-11-18T10:14:03Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳(メタデータ) (2022-06-30T06:00:13Z) - Catching Both Gray and Black Swans: Open-set Supervised Anomaly
Detection [90.32910087103744]
ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。
これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。
トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。
本稿では,オープンセット型教師付き異常検出に取り組む。
論文 参考訳(メタデータ) (2022-03-28T05:21:37Z) - 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) - Anomaly detection using principles of human perception [0.0]
簡易かつリアルタイムかつパラメータフリーな教師なし異常検出アルゴリズムを開発した。
考えは、異常は、データの大半によって行われた特定のグループに関して予期しない観察であると仮定することです。
論文 参考訳(メタデータ) (2021-03-23T05:46:27Z) - 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) - Deep Weakly-supervised Anomaly Detection [118.55172352231381]
ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。
PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。
12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
論文 参考訳(メタデータ) (2019-10-30T00:40:25Z)
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。