Fugu-MT 論文翻訳(概要): Weakly-supervised anomaly detection for multimodal data distributions

論文の概要: Weakly-supervised anomaly detection for multimodal data distributions

arxiv url: http://arxiv.org/abs/2406.09147v1
Date: Thu, 13 Jun 2024 14:14:27 GMT
ステータス: 処理完了
システム内更新日: 2024-06-14 17:34:25.025999
Title: Weakly-supervised anomaly detection for multimodal data distributions
Title（参考訳）: 多モードデータ分布に対する弱教師付き異常検出
Authors: Xu Tan, Junqi Chen, Sylwan Rahardja, Jiawei Yang, Susanto Rahardja,
Abstract要約: Weakly-supervised Variational-mixture-based Anomaly Detector (WVAD)を提案する。 WVADはマルチモーダルデータセットで優れている。 3つの実世界のデータセットの実験結果は、WVADの優位性を示している。
参考スコア（独自算出の注目度）: 25.60381244912307
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Weakly-supervised anomaly detection can outperform existing unsupervised methods with the assistance of a very small number of labeled anomalies, which attracts increasing attention from researchers. However, existing weakly-supervised anomaly detection methods are limited as these methods do not factor in the multimodel nature of the real-world data distribution. To mitigate this, we propose the Weakly-supervised Variational-mixture-model-based Anomaly Detector (WVAD). WVAD excels in multimodal datasets. It consists of two components: a deep variational mixture model, and an anomaly score estimator. The deep variational mixture model captures various features of the data from different clusters, then these features are delivered to the anomaly score estimator to assess the anomaly levels. Experimental results on three real-world datasets demonstrate WVAD's superiority.
Abstract（参考訳）: 弱教師付き異常検出は、非常に少数のラベル付き異常の助けを借りて、既存の教師なしの手法よりも優れており、研究者の注目を惹きつける。しかし、これらの手法は実世界のデータ分布のマルチモデルの性質に影響を及ぼさないため、既存の弱教師付き異常検出法は制限されている。そこで本研究では,WVAD(Wakly-supervised Variational-mixture-based Anomaly Detector)を提案する。 WVADはマルチモーダルデータセットで優れている。深部変分混合モデルと異常スコア推定器の2つのコンポーネントで構成されている。深部変動混合モデルは、異なるクラスタからデータの様々な特徴をキャプチャし、これらの特徴を異常スコア推定器に配信し、異常レベルを評価する。 3つの実世界のデータセットの実験結果は、WVADの優位性を示している。

関連論文リスト

MeLIAD: Interpretable Few-Shot Anomaly Detection with Metric Learning and Entropy-based Scoring [2.394081903745099]
本稿では,新たな異常検出手法であるMeLIADを提案する。 MeLIADはメートル法学習に基づいており、真の異常の事前分布仮定に頼ることなく、設計による解釈可能性を達成する。解釈可能性の定量的かつ定性的な評価を含む5つの公開ベンチマークデータセットの実験は、MeLIADが異常検出とローカライゼーション性能の改善を達成することを実証している。
論文参考訳（メタデータ） (2024-09-20T16:01:43Z)
Towards a Unified Framework of Clustering-based Anomaly Detection [18.30208347233284]
非教師付き異常検出(UAD)は、ラベル付き例なしでデータ内の異常パターンを識別する上で重要な役割を果たす。本稿では, 表現学習, クラスタリング, 異常検出の理論的関係を確立するために, 異常検出のための新しい確率混合モデルを提案する。我々は,表現学習とクラスタリングの併用力を効果的に活用する,改良された異常スコアを考案した。
論文参考訳（メタデータ） (2024-06-01T14:30:12Z)
Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
論文参考訳（メタデータ） (2023-12-26T07:08:06Z)
AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文参考訳（メタデータ） (2023-12-10T05:13:40Z)
An Iterative Method for Unsupervised Robust Anomaly Detection Under Data Contamination [24.74938110451834]
ほとんどの深層異常検出モデルは、データセットから正規性を学ぶことに基づいている。実際、正規性仮定は実データ分布の性質によってしばしば破られる。このギャップを減らし、より優れた正規性表現を実現するための学習フレームワークを提案する。
論文参考訳（メタデータ） (2023-09-18T02:36:19Z)
AGAD: Adversarial Generative Anomaly Detection [12.68966318231776]
異常検出は,異常の多様性と大規模異常データ取得の困難さにより異常の欠如に悩まされた。本稿では,自己コントラストに基づく異常検出パラダイムであるAdversarial Generative Anomaly Detection (AGAD)を提案する。本手法は,教師付きおよび半教師付き両方の異常検出シナリオに対して擬似異常データを生成する。
論文参考訳（メタデータ） (2023-04-09T10:40:02Z)
Diversity-Measurable Anomaly Detection [106.07413438216416]
本稿では,再構成の多様性を高めるため,DMAD(Diversity-Measurable Anomaly Detection)フレームワークを提案する。 PDMは基本的に、変形を埋め込みから分離し、最終的な異常スコアをより信頼性を高める。
論文参考訳（メタデータ） (2023-03-09T05:52:42Z)
Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。 PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
論文参考訳（メタデータ） (2022-12-05T05:03:46Z)
Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文参考訳（メタデータ） (2021-08-01T14:33:17Z)
Out-Of-Bag Anomaly Detection [0.9449650062296822]
データ異常は、実世界のデータセットでユビキタスであり、機械学習(ML)システムに悪影響を及ぼす可能性がある。本稿では,新しいモデルに基づく異常検出手法を提案し,その手法をアウト・オブ・バグ検出と呼ぶ。本手法は,家庭評価のケーススタディを通じて,データ前処理のステップとして,MLシステムの精度と信頼性を向上させることができることを示す。
論文参考訳（メタデータ） (2020-09-20T06:01:52Z)
Toward Deep Supervised Anomaly Detection: Reinforcement Learning from Partially Labeled Anomaly Data [150.9270911031327]
本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
論文参考訳（メタデータ） (2020-09-15T03:05:39Z)

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。