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

• arxiv url: http://arxiv.org/abs/2405.13031v2
• Date: Wed, 18 Sep 2024 10:06:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-19 23:03:11.487258
• 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: Textual Anomaly Contamination (TAC) は、独立性または文脈性のいずれかの異常なクラスを汚染することができる。 本稿では,ロバスト部分空間局所回復オートエンコーダであるRoSAEを提案する。 ベンチマークは、我々のアプローチが、より堅牢でありながら、独立性と文脈上の両方の異常に関する最近の研究より優れていることを示している。
• 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: Anomaly detection (AD) is a fast growing and popular domain among established applications like vision and time series. We observe a rich literature for these applications, but anomaly detection in text is only starting to blossom. Recently, self-supervised methods with self-attention mechanism have been the most popular choice. While recent works have proposed a working ground for building and benchmarking state of the art approaches, we propose two principal contributions in this paper: contextual anomaly contamination and a novel ensemble-based approach. Our method, Textual Anomaly Contamination (TAC), allows to contaminate inlier classes with either independent or contextual anomalies. In the literature, it appears that this distinction is not performed. For finding contextual anomalies, we propose RoSAE, a Robust Subspace Local Recovery Autoencoder Ensemble. All autoencoders of the ensemble present a different latent representation through local manifold learning. Benchmark shows that our approach outperforms recent works on both independent and contextual anomalies, while being more robust. We also provide 8 dataset comparison instead of only relying to Reuters and 20 Newsgroups corpora.
• Abstract（参考訳）: 異常検出(AD)は、視覚や時系列といった確立したアプリケーションの中で急速に成長し、人気のあるドメインである。 我々はこれらの応用について豊富な文献を観察するが、テキスト中の異常検出は花が咲き始めたばかりである。 近年,自己注意機構を持つ自己監督手法が最も一般的な選択肢である。 近年の研究では、最先端のアプローチの構築とベンチマークを行うための作業場が提案されているが、本論文では、文脈異常汚染と、新しいアンサンブルに基づくアプローチの2つの主要な貢献を提案する。 テキスト異常汚染 (TAC) は, 独立性・文脈性のいずれかの異常なクラスを汚染することができる。 文献では、この区別は行われていないようである。 本稿では,ロバスト部分空間局所回復オートエンコーダであるRoSAEを提案する。 アンサンブルのすべてのオートエンコーダは、局所多様体学習を通して異なる潜在表現を示す。 ベンチマークは、我々のアプローチが、より堅牢でありながら、独立性と文脈上の両方の異常に関する最近の研究より優れていることを示している。 また、Reutersと20のNewsgroupsコーパスのみに頼るのではなく、8つのデータセット比較も提供しています。

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。