論文の概要: Critical Review for One-class Classification: recent advances and the reality behind them

• arxiv url: http://arxiv.org/abs/2404.17931v1
• Date: Sat, 27 Apr 2024 15:04:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-30 18:32:14.065948
• Title: Critical Review for One-class Classification: recent advances and the reality behind them
• Title（参考訳）: 一級分類の批判的レビュー--最近の進歩とその背景にある現実
• Authors: Toshitaka Hayashi, Dalibor Cimr, Hamido Fujita, Richard Cimler,
• Abstract要約: 本稿は,一級分類におけるプロミネント戦略を,その発端から現在の進歩まで合成する。 この記事は、一級実験を統括する画像異常検出アルゴリズム(AD)について、最先端(SOTA)を批判する。
• 参考スコア（独自算出の注目度）: 10.043491707625867
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper offers a comprehensive review of one-class classification (OCC), examining the technologies and methodologies employed in its implementation. It delves into various approaches utilized for OCC across diverse data types, such as feature data, image, video, time series, and others. Through a systematic review, this paper synthesizes promi-nent strategies used in OCC from its inception to its current advance-ments, with a particular emphasis on the promising application. Moreo-ver, the article criticizes the state-of-the-art (SOTA) image anomaly de-tection (AD) algorithms dominating one-class experiments. These algo-rithms include outlier exposure (binary classification) and pretrained model (multi-class classification), conflicting with the fundamental con-cept of learning from one class. Our investigation reveals that the top nine algorithms for one-class CIFAR10 benchmark are not OCC. We ar-gue that binary/multi-class classification algorithms should not be com-pared with OCC.
• Abstract（参考訳）: 本稿では,一級分類(OCC)の包括的レビューを行い,その実装における技術と方法論について検討する。 OCCでは特徴データ、画像、ビデオ、時系列など、さまざまなデータタイプにまたがってさまざまなアプローチが採用されている。 本稿では,OCCにおけるプロミネント戦略の創始から現在の進歩までを体系的に検討し,将来的な応用に特に重点を置いている。 より詳しくは、この論文は、最先端(SOTA)画像異常検出(AD)アルゴリズムが一級実験を支配していることを批判している。 これらのアルゴリズムには、外部被曝(バイナリ分類)と事前訓練されたモデル(マルチクラス分類)が含まれ、あるクラスからの学習の基本的な概念と矛盾する。 調査の結果,一級CIFAR10ベンチマークの上位9つのアルゴリズムはOCCではないことがわかった。 バイナリ/マルチクラス分類アルゴリズムはOCCと組み合わせてはならない。

関連論文リスト

• Prototypical Hash Encoding for On-the-Fly Fine-Grained Category Discovery [65.16724941038052]
  カテゴリ対応プロトタイプ生成(CPG)とディスクリミカテゴリ5.3%(DCE)が提案されている。 CPGは、各カテゴリを複数のプロトタイプで表現することで、カテゴリ内の多様性を完全にキャプチャすることを可能にする。 DCEは生成されたカテゴリプロトタイプのガイダンスによってハッシュコードの識別能力を向上する。
  論文  参考訳（メタデータ） (2024-10-24T23:51:40Z)
• Class-incremental Learning for Time Series: Benchmark and Evaluation [24.39008346076859]
  本稿では,時系列クラスインクリメンタルラーニング(TSCIL)問題の概要を述べる。 標準化された設定に基づいて,新しいアルゴリズムの迅速な開発を支援する統一的な実験フレームワークを開発する。 このフレームワークを用いて、標準およびプライバシに敏感なシナリオにおいて、様々な汎用および時系列固有のCIL手法を包括的に評価する。
  論文  参考訳（メタデータ） (2024-02-19T10:43:13Z)
• Harmonizing Base and Novel Classes: A Class-Contrastive Approach for Generalized Few-Shot Segmentation [78.74340676536441]
  本稿では,プロトタイプの更新を規制し,プロトタイプ間の距離を広くするために,クラス間のコントラスト損失とクラス関係損失を提案する。 提案手法は,PASCAL VOC および MS COCO データセット上での一般化された小ショットセグメンテーションタスクに対して,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-03-24T00:30:25Z)
• Class-incremental Novel Class Discovery [76.35226130521758]
  クラス増進型新規クラス発見(class-iNCD)の課題について検討する。 基本クラスに関する過去の情報を忘れないようにする,クラスiNCDのための新しい手法を提案する。 3つの共通ベンチマークで実施した実験により,本手法が最先端の手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2022-07-18T13:49:27Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• Multi-view Deep One-class Classification: A Systematic Exploration [46.971116728339844]
  1クラスの分類(OCC)は、異常検出のような領域に重要な応用を持つ長年のトピックでした。 文献からは議論されておらず、未定の話題である。 第一に、私たちの最良の知識に、これは正式にマルチビュー深いOCC問題を識別し、定式化する最初の作品です。
  論文  参考訳（メタデータ） (2021-04-27T06:44:07Z)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)
• One-Class Classification: A Survey [96.17410674315816]
  One-Class Classification (OCC) は、トレーニング中に観測されたデータが単一の正のクラスからのものであるマルチクラス分類の特別なケースである。 視覚認識のための古典的統計的および最近の深層学習に基づくOCC手法のサーベイを提供する。
  論文  参考訳（メタデータ） (2021-01-08T15:30:29Z)
• SOAR: Simultaneous Or of And Rules for Classification of Positive & Negative Classes [0.0]
  本稿では,実世界の雑音の多い二項分類における固有曖昧性を明確に把握し,定量化する新奇かつ完全な分類法を提案する。 提案手法は,確率モデルのよりきめ細かい定式化につながり,シミュレート・アニーリングに基づく最適化により,同等の手法と競合する分類性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-08-25T20:00:27Z)
• Few-Shot One-Class Classification via Meta-Learning [22.548520862073023]
  本研究は,クラスバランステストデータセットにおける複数ショット学習と1クラス分類(OCC)の交点について検討する。 これは、1クラスのミニバッチで明示的にステップを最適化することで、クラスバランスのテストデータのパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2020-07-08T14:19:29Z)

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。