論文の概要: Fusing Dictionary Learning and Support Vector Machines for Unsupervised Anomaly Detection

• arxiv url: http://arxiv.org/abs/2404.04064v1
• Date: Fri, 5 Apr 2024 12:41:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-08 16:14:58.157046
• Title: Fusing Dictionary Learning and Support Vector Machines for Unsupervised Anomaly Detection
• Title（参考訳）: 教師なし異常検出のためのFusing Dictionary Learning and Support Vector Machines
• Authors: Paul Irofti, Iulian-Andrei Hîji, Andrei Pătraşcu, Nicolae Cleju,
• Abstract要約: 本稿では,OC-SVMとDL残差関数を1つの合成対象に統一する新たな異常検出モデルを提案する。 両方の目的をカーネル関数の使用を可能にするより一般的な設定に拡張する。
• 参考スコア（独自算出の注目度）: 1.5999407512883508
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study in this paper the improvement of one-class support vector machines (OC-SVM) through sparse representation techniques for unsupervised anomaly detection. As Dictionary Learning (DL) became recently a common analysis technique that reveals hidden sparse patterns of data, our approach uses this insight to endow unsupervised detection with more control on pattern finding and dimensions. We introduce a new anomaly detection model that unifies the OC-SVM and DL residual functions into a single composite objective, subsequently solved through K-SVD-type iterative algorithms. A closed-form of the alternating K-SVD iteration is explicitly derived for the new composite model and practical implementable schemes are discussed. The standard DL model is adapted for the Dictionary Pair Learning (DPL) context, where the usual sparsity constraints are naturally eliminated. Finally, we extend both objectives to the more general setting that allows the use of kernel functions. The empirical convergence properties of the resulting algorithms are provided and an in-depth analysis of their parametrization is performed while also demonstrating their numerical performance in comparison with existing methods.
• Abstract（参考訳）: 本稿では,一級支援ベクトルマシン(OC-SVM)の改良について,教師なし異常検出のためのスパース表現技術を用いて検討する。 辞書学習(DL)は、最近、データのスパースパターンを隠蔽する一般的な分析手法となり、この知見を用いて、パターンの発見と次元を制御し、教師なし検出を可能にする。 我々は,OC-SVMとDL残差関数を1つの合成対象に統一した新しい異常検出モデルを導入し,その後,K-SVD型反復アルゴリズムを用いて解いた。 交互K-SVD反復の閉形式を新しい合成モデルに対して明示的に導出し、実用的な実装可能なスキームについて論じる。 標準DLモデルは辞書ペアラーニング(DPL)の文脈に適応し、通常の空間制約を自然に排除する。 最後に、両方の目的をカーネル関数の使用を可能にするより一般的な設定に拡張する。 得られたアルゴリズムの実験的収束特性を提供し、それらのパラメトリゼーションの詳細な解析を行い、既存の手法と比較して数値性能を実証する。

関連論文リスト

• Effort: Efficient Orthogonal Modeling for Generalizable AI-Generated Image Detection [66.16595174895802]
  既存のAI生成画像(AIGI)検出手法は、しばしば限定的な一般化性能に悩まされる。 本稿では、AIGI検出において、これまで見過ごされてきた重要な非対称性現象を同定する。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• Open-Vocabulary Video Anomaly Detection [57.552523669351636]
  監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。 近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。 本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
  論文  参考訳（メタデータ） (2023-11-13T02:54:17Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Supervised Dictionary Learning with Auxiliary Covariates [0.0]
  Supervised Dictionary Learning (SDL) は、特徴抽出と分類タスクを同時に求める機械学習手法である。 結合因子空間における凸問題としてSDLを持ち上げる新しいフレームワークを提供する。 また, 胸部X線画像から得られた肺炎の指標として, 教師付きトピックモデリングによる文書分類の不均衡にSDLを適用した。
  論文  参考訳（メタデータ） (2022-06-14T12:10:03Z)
• Nonnegative-Constrained Joint Collaborative Representation with Union Dictionary for Hyperspectral Anomaly Detection [14.721615285883429]
  ハイパースペクトル異常検出のための協調表現ベース(CR)アルゴリズムが提案されている。 CRベースの検出器は、背景辞書と係数行列の線形結合で画像を近似し、回復残差を利用して検出マップを導出する。 本稿では,超スペクトル異常検出タスクに対する非負制約協調表現モデルを提案する。
  論文  参考訳（メタデータ） (2022-03-18T16:02:27Z)
• DASVDD: Deep Autoencoding Support Vector Data Descriptor for Anomaly Detection [9.19194451963411]
  半教師付き異常検出は、通常のデータに基づいて訓練されたモデルを用いて、通常のサンプルから異常を検出することを目的としている。 本稿では,自己エンコーダのパラメータを協調的に学習する手法であるDASVDDを提案する。
  論文  参考訳（メタデータ） (2021-06-09T21:57:41Z)
• CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
  因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。 CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
  論文  参考訳（メタデータ） (2020-09-28T09:49:38Z)
• Dual Adversarial Auto-Encoders for Clustering [152.84443014554745]
  教師なしクラスタリングのためのDual-AAE(Dual-AAE)を提案する。 Dual-AAEの目的関数に対する変分推論を行うことで,一対のオートエンコーダをトレーニングすることで最適化可能な新たな再構成損失を導出する。 4つのベンチマーク実験により、Dual-AAEは最先端のクラスタリング手法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-08-23T13:16:34Z)
• Interpreting Rate-Distortion of Variational Autoencoder and Using Model Uncertainty for Anomaly Detection [5.491655566898372]
  表現学習による教師なし異常検出のためのスケーラブルな機械学習システムを構築した。 本稿では,情報理論の観点からVAEを再考し,再構成誤差を用いた理論的基礎を提供する。 ベンチマークデータセットに対するアプローチの競合性能を実証的に示す。
  論文  参考訳（メタデータ） (2020-05-05T00:03:48Z)
• 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)

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。