論文の概要: Can I trust my anomaly detection system? A case study based on explainable AI

• arxiv url: http://arxiv.org/abs/2407.19951v1
• Date: Mon, 29 Jul 2024 12:39:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-30 13:56:27.231613
• Title: Can I trust my anomaly detection system? A case study based on explainable AI
• Title（参考訳）: 異常検出システムを信頼できますか? : 説明可能なAIを用いたケーススタディ
• Authors: Muhammad Rashid, Elvio Amparore, Enrico Ferrari, Damiano Verda,
• Abstract要約: 本稿では,変分自己エンコーダ生成モデルに基づく異常検出システムのロバスト性について検討する。 目標は、再構成の違いを利用する異常検知器の実際の性能について、異なる視点を得ることです。
• 参考スコア（独自算出の注目度）: 0.4416503115535552
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models based on variational autoencoders are a popular technique for detecting anomalies in images in a semi-supervised context. A common approach employs the anomaly score to detect the presence of anomalies, and it is known to reach high level of accuracy on benchmark datasets. However, since anomaly scores are computed from reconstruction disparities, they often obscure the detection of various spurious features, raising concerns regarding their actual efficacy. This case study explores the robustness of an anomaly detection system based on variational autoencoder generative models through the use of eXplainable AI methods. The goal is to get a different perspective on the real performances of anomaly detectors that use reconstruction differences. In our case study we discovered that, in many cases, samples are detected as anomalous for the wrong or misleading factors.
• Abstract（参考訳）: 変分オートエンコーダに基づく生成モデルは、半教師付きコンテキストにおける画像の異常を検出する一般的な手法である。 一般的なアプローチでは、異常の有無を検出するために異常スコアを使用し、ベンチマークデータセット上で高いレベルの精度に達することが知られている。 しかし, 再建の相違から異常スコアが計算されるため, 種々の突発的特徴の検出を曖昧にし, 実際の有効性に対する懸念を提起することが多い。 本稿では,eXplainable AI法を用いた変分オートエンコーダ生成モデルに基づく異常検出システムのロバスト性について検討する。 目標は、再構成の違いを利用する異常検知器の実際の性能について、異なる視点を得ることです。 ケーススタディでは、多くの場合、サンプルは間違った要因や誤解を招く要因の異常として検出される。

関連論文リスト

• 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)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• A Contrario multi-scale anomaly detection method for industrial quality inspection [0.2578242050187029]
  コンボリューションにより得られた特徴写像に統計的解析を適用した画像中の異常を検出するためのコントロリオフレームワークを提案する。 提案手法はマルチスケールで完全に教師なしであり,様々なシナリオで異常を検出することができる。 この研究の最終的な目標は、自動車産業における革サンプルの微妙な欠陥を検出することであるが、同じアルゴリズムが公共の異常データセットで最先端の結果を達成することを示す。
  論文  参考訳（メタデータ） (2022-05-03T17:08:36Z)
• Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection [90.32910087103744]
  ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。 これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。 トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。 本稿では,オープンセット型教師付き異常検出に取り組む。
  論文  参考訳（メタデータ） (2022-03-28T05:21:37Z)
• 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)
• 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)
• Understanding the Effect of Bias in Deep Anomaly Detection [15.83398707988473]
  異常検出はラベル付き異常データの不足のため、機械学習においてユニークな課題となる。 最近の研究は、追加のラベル付き異常サンプルによる深部異常検出モデルのトレーニングを増強することで、このような問題を緩和しようとするものである。 本稿では,異常検出に対するバイアス付き異常集合の効果を理解することを目的とする。
  論文  参考訳（メタデータ） (2021-05-16T03:55:02Z)
• Double-Adversarial Activation Anomaly Detection: Adversarial Autoencoders are Anomaly Generators [0.0]
  異常検出は、固有のクラス不均衡のため、機械学習アルゴリズムにとって難しいタスクである。 生成モデルに着想を得て,ニューラルネットワークの隠れ活性化の解析を行い,DA3Dと呼ばれる新しい教師なし異常検出手法を提案する。
  論文  参考訳（メタデータ） (2021-01-12T18:07:34Z)
• 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)
• 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。