論文の概要: A Robust Autoencoder Ensemble-Based Approach for Anomaly Detection in Text

• arxiv url: http://arxiv.org/abs/2405.13031v1
• Date: Thu, 16 May 2024 10:45:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-27 02:48:13.084876
• Title: A Robust Autoencoder Ensemble-Based Approach for Anomaly Detection in Text
• Title（参考訳）: テキスト中の異常検出のためのロバスト自動エンコーダアンサンブルに基づくアプローチ
• Authors: Jeremie Pantin, Christophe Marsala,
• Abstract要約: 本研究は,テキストコーパスにおける異常検出に対処するために,ロバストなオートエンコーダアンサンブルに基づくアプローチを導入する。 現実の分類法は、独立した異常と文脈的異常を区別するために導入される。 古典テキストコーパスに関する大規模な実験が実施され,その成果が報告されている。
• 参考スコア（独自算出の注目度）: 0.3314882635954752
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In this work, a robust autoencoder ensemble-based approach designed to address anomaly detection in text corpora is introduced. Each autoencoder within the ensemble incorporates a local robust subspace recovery projection of the original data in its encoding embedding, leveraging the geometric properties of the k-nearest neighbors to optimize subspace recovery and identify anomalous patterns in textual data. The evaluation of such an approach needs an experimental setting dedicated to the context of textual anomaly detection. Thus, beforehand, a comprehensive real-world taxonomy is introduced to distinguish between independent anomalies and contextual anomalies. Such a study to identify clearly the kinds of anomalies appearing in a textual context aims at addressing a critical gap in the existing literature. Then, extensive experiments on classical text corpora have been conducted and their results are presented that highlights the efficiency, both in robustness and in performance, of the robust autoencoder ensemble-based approach when detecting both independent and contextual anomalies. Diverse range of tasks, including classification, sentiment analysis, and spam detection, across eight different corpora, have been studied in these experiments.
• Abstract（参考訳）: 本研究では,テキストコーパスにおける異常検出に対処するために,ロバストなオートエンコーダアンサンブルに基づくアプローチを提案する。 アンサンブル内の各オートエンコーダは、元のデータの局所的ロバストな部分空間回復プロジェクションをエンコード埋め込みに組み込み、k-アネレスト近傍の幾何学的性質を利用して、部分空間の回復を最適化し、テキストデータ中の異常パターンを識別する。 このようなアプローチの評価には、テキスト異常検出のコンテキストに特化した実験的な設定が必要である。 このように、事前に、独立した異常と文脈的異常を区別するために、包括的な現実世界の分類法が導入された。 このようなテキストの文脈に現れる異常の種類を明確に識別する研究は、既存の文献における重大なギャップに対処することを目的としている。 そこで,従来のテキストコーパスの広範な実験を行い,その成果として,独立性および文脈性の両方を検出する際に,ロバストなオートエンコーダ・アンサンブル・アプローチの堅牢性と性能の両面において効率性を強調した。 分類,感情分析,スパム検出など,8種類のコーパスにまたがるさまざまなタスクが,これらの実験で研究されている。

関連論文リスト

• Online Model-based Anomaly Detection in Multivariate Time Series: Taxonomy, Survey, Research Challenges and Future Directions [0.017476232824732776]
  時系列異常検出は、エンジニアリングプロセスにおいて重要な役割を果たす。 この調査では、オンラインとオフラインの区別とトレーニングと推論を行う新しい分類法を紹介した。 文献で使用される最も一般的なデータセットと評価指標、および詳細な分析を示す。
  論文  参考訳（メタデータ） (2024-08-07T13:01:10Z)
• GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
  GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。 本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。 提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
  論文  参考訳（メタデータ） (2024-07-17T09:27:41Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
  本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• Oracle Character Recognition using Unsupervised Discriminative Consistency Network [65.64172835624206]
  オラクル文字認識(OrCR)のための新しい教師なしドメイン適応手法を提案する。 擬似ラベルを利用して意味情報を適応と制約強化の整合性に組み込む。 提案手法は,Oracle-241データセットの最先端結果を実現し,最近提案した構造・テクスチャ分離ネットワークを15.1%向上させる。
  論文  参考訳（メタデータ） (2023-12-11T02:52:27Z)
• Don't Miss Out on Novelty: Importance of Novel Features for Deep Anomaly Detection [64.21963650519312]
  異常検出(AD)は、正規性の学習モデルに適合しない観察を識別する重要なタスクである。 本稿では, 入力空間における説明不能な観測として, 説明可能性を用いた新しいAD手法を提案する。 当社のアプローチでは,複数のベンチマークにまたがる新たな最先端性を確立し,さまざまな異常な型を扱う。
  論文  参考訳（メタデータ） (2023-10-01T21:24:05Z)
• AnoRand: A Semi Supervised Deep Learning Anomaly Detection Method by Random Labeling [0.0]
  異常検出(英: Anomaly detection)またはより一般的には異常検出(英: outliers detection)は、理論的および応用機械学習において最も人気があり、課題の1つである。 我々は、ディープラーニングアーキテクチャとランダムな合成ラベル生成を組み合わせることで、textbfAnoRandと呼ばれる新しい半教師付き異常検出手法を提案する。
  論文  参考訳（メタデータ） (2023-05-28T10:53:34Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• Text Recognition in Real Scenarios with a Few Labeled Samples [55.07859517380136]
  Scene Text Recognition (STR) はコンピュータビジョン分野におけるホットな研究テーマである。 本稿では,数ショットの逆数列領域適応 (FASDA) を用いて構築シーケンスを適応する手法を提案する。 我々のアプローチは、ソースドメインとターゲットドメインの間の文字レベルの混乱を最大化することができる。
  論文  参考訳（メタデータ） (2020-06-22T13:03:01Z)

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。