Fugu-MT 論文翻訳(概要): About Test-time training for outlier detection

論文の概要: About Test-time training for outlier detection

arxiv url: http://arxiv.org/abs/2404.03495v1
Date: Thu, 4 Apr 2024 14:50:50 GMT
ステータス: 翻訳完了
システム内更新日: 2024-04-05 14:31:56.711188
Title: About Test-time training for outlier detection
Title（参考訳）: 外乱検出のためのテストタイムトレーニングについて
Authors: Simon Klüttermann, Emmanuel Müller,
Abstract要約: 本稿では,テストタイムのトレーニングを外乱検出に適用するDOUSTを紹介する。ラベル付き外れ値が与えられなくても,アルゴリズムがほぼ教師付き性能に到達可能であることを示す。
参考スコア（独自算出の注目度）: 5.555497750998242
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we introduce DOUST, our method applying test-time training for outlier detection, significantly improving the detection performance. After thoroughly evaluating our algorithm on common benchmark datasets, we discuss a common problem and show that it disappears with a large enough test set. Thus, we conclude that under reasonable conditions, our algorithm can reach almost supervised performance even when no labeled outliers are given.
Abstract（参考訳）: 本稿では,外乱検出にテスト時間トレーニングを適用したDOUSTを導入し,検出性能を大幅に改善する。一般的なベンチマークデータセットでアルゴリズムを徹底的に評価した後、一般的な問題について議論し、十分に大きなテストセットで消滅することを示す。したがって、合理的な条件下では、ラベル付き外れ値が与えられなくても、我々のアルゴリズムはほぼ教師付き性能に達することができる。

関連論文リスト

On the Universal Adversarial Perturbations for Efficient Data-free Adversarial Detection [55.73320979733527]
本稿では,UAPに対して正常サンプルと逆サンプルの異なる応答を誘導する,データに依存しない逆検出フレームワークを提案する。実験結果から,本手法は様々なテキスト分類タスクにおいて,競合検出性能を実現することが示された。
論文参考訳（メタデータ） (2023-06-27T02:54:07Z)
PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
論文参考訳（メタデータ） (2023-01-25T16:34:43Z)
Temporal Output Discrepancy for Loss Estimation-based Active Learning [65.93767110342502]
ラベルのないサンプルが高損失を伴っていると信じられている場合に,データアノテーションのオラクルに問い合わせる,新しいディープラーニングアプローチを提案する。本手法は,画像分類やセマンティックセグメンテーションタスクにおける最先端の能動学習手法よりも優れた性能を実現する。
論文参考訳（メタデータ） (2022-12-20T19:29:37Z)
Out-of-Distribution Detection with Hilbert-Schmidt Independence Optimization [114.43504951058796]
異常検出タスクはAIの安全性において重要な役割を担っている。ディープニューラルネットワーク分類器は通常、アウト・オブ・ディストリビューション(OOD)の入力を、信頼性の高いイン・ディストリビューション・クラスに誤って分類する傾向がある。我々は,OOD検出タスクにおいて実用的かつ理論的に有効な代替確率論的パラダイムを提案する。
論文参考訳（メタデータ） (2022-09-26T15:59:55Z)
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)
Little Help Makes a Big Difference: Leveraging Active Learning to Improve Unsupervised Time Series Anomaly Detection [2.1684857243537334]
予期せぬネットワークインシデントを検出するために,多数の異常検出アルゴリズムがデプロイされている。教師なし異常検出アルゴリズムは、しばしば過度の誤報に悩まされる。本稿では,オペレータのフィードバックの導入とメリットをアクティブな学習に活用することを提案する。
論文参考訳（メタデータ） (2022-01-25T13:54:19Z)
Class-wise Thresholding for Detecting Out-of-Distribution Data [6.5295089440496055]
我々は,深層ニューラルネットワークを用いたOoD(Out-of-Distribution)入力データ検出の問題を考える。既存のほとんどのOoD検出アルゴリズムに適用可能なクラスワイドしきい値決定方式を提案する。
論文参考訳（メタデータ） (2021-10-28T16:54:48Z)
Low-Regret Active learning [64.36270166907788]
トレーニングに最も有用なラベル付きデータポイントを識別するオンライン学習アルゴリズムを開発した。私たちの仕事の中心は、予測可能な(簡単な)インスタンスの低い後悔を達成するために調整された睡眠専門家のための効率的なアルゴリズムです。
論文参考訳（メタデータ） (2021-04-06T22:53:45Z)
Cross-validation Confidence Intervals for Test Error [83.67415139421448]
この研究は、クロスバリデーションのための中心極限定理と、学習アルゴリズムの弱い安定性条件下での分散の一貫した推定器を開発する。結果は、一般的な1対1のクロスバリデーションの選択にとって、初めてのものだ。
論文参考訳（メタデータ） (2020-07-24T17:40:06Z)

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。