論文の概要: Adversarially Robust Industrial Anomaly Detection Through Diffusion Model
- arxiv url: http://arxiv.org/abs/2408.04839v1
- Date: Fri, 9 Aug 2024 03:25:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-12 16:48:31.526967
- Title: Adversarially Robust Industrial Anomaly Detection Through Diffusion Model
- Title（参考訳）: 拡散モデルによる逆ロバスト産業異常検出
- Authors: Yuanpu Cao, Lu Lin, Jinghui Chen,
- Abstract要約: そこで本研究では, 拡散モデルを用いて, 逆解析器と逆解析器の両方を動作させることができる, 簡易かつ効果的な逆解析手法である textitAdvRAD を提案する。
提案手法は,産業用異常検出ベンチマークデータセットの最先端手法と同等に強い異常検出性能を維持しつつ,優れた(認証された)対向性を示す。
- 参考スコア（独自算出の注目度）: 23.97654469255749
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning-based industrial anomaly detection models have achieved remarkably high accuracy on commonly used benchmark datasets. However, the robustness of those models may not be satisfactory due to the existence of adversarial examples, which pose significant threats to the practical deployment of deep anomaly detectors. Recently, it has been shown that diffusion models can be used to purify the adversarial noises and thus build a robust classifier against adversarial attacks. Unfortunately, we found that naively applying this strategy in anomaly detection (i.e., placing a purifier before an anomaly detector) will suffer from a high anomaly miss rate since the purifying process can easily remove both the anomaly signal and the adversarial perturbations, causing the later anomaly detector failed to detect anomalies. To tackle this issue, we explore the possibility of performing anomaly detection and adversarial purification simultaneously. We propose a simple yet effective adversarially robust anomaly detection method, \textit{AdvRAD}, that allows the diffusion model to act both as an anomaly detector and adversarial purifier. We also extend our proposed method for certified robustness to $l_2$ norm bounded perturbations. Through extensive experiments, we show that our proposed method exhibits outstanding (certified) adversarial robustness while also maintaining equally strong anomaly detection performance on par with the state-of-the-art methods on industrial anomaly detection benchmark datasets.
- Abstract（参考訳）: ディープラーニングに基づく産業異常検出モデルは、よく使われるベンチマークデータセットにおいて驚くほど高い精度を実現している。
しかし、これらのモデルのロバスト性は、敵対的な例が存在するために満足できない可能性があり、これは深層検知器の実用的展開に重大な脅威をもたらす。
近年,拡散モデルを用いて敵の雑音を浄化し,敵の攻撃に対して頑健な分類器を構築することが示されている。
不運なことに、この戦略を異常検出(すなわち、異常検出器の前に浄化器を配置する)に適用することは、異常信号と逆方向の摂動の両方を容易に除去できるため、異常検出のミス率が高いことが判明し、後続の異常検出器は異常検出に失敗した。
この問題に対処するために,異常検出と対向浄化を同時に行う可能性を検討する。
本稿では, 拡散モデルを用いて, 逆解析器と逆解析器の両方を動作させることができる, 単純かつ効果的な逆解析法である \textit{AdvRAD} を提案する。
また、証明されたロバスト性のための提案手法を、標準束縛摂動に対して$l_2$に拡張する。
実験により,本手法は,産業用異常検出ベンチマークデータセットと同等に強力な異常検出性能を保ちながら,優れた(認証された)対向性を示すことを示す。
関連論文リスト
- Unsupervised Anomaly Detection Using Diffusion Trend Analysis [48.19821513256158]
本稿では, 劣化度に応じて, 復元傾向の分析により異常を検出する手法を提案する。
提案手法は,産業用異常検出のためのオープンデータセット上で検証される。
論文 参考訳（メタデータ） (2024-07-12T01:50:07Z) - 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) - CL-Flow:Strengthening the Normalizing Flows by Contrastive Learning for
Better Anomaly Detection [1.951082473090397]
コントラスト学習と2D-Flowを組み合わせた自己教師付き異常検出手法を提案する。
本手法は,主流の教師なし手法と比較して,検出精度が向上し,モデルパラメータが減少し,推論速度が向上することを示す。
BTADデータセットでは,MVTecADデータセットでは画像レベルのAUROCが99.6%,BTADデータセットでは画像レベルのAUROCが96.8%であった。
論文 参考訳（メタデータ） (2023-11-12T10:07:03Z) - 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) - 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) - 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) - Towards Fair Deep Anomaly Detection [24.237000220172906]
我々は,fair anomaly detectionアプローチ(deep fair svdd)のための新しいアーキテクチャを提案する。
提案手法は,異常検出性能の低下を最小限に抑えることで不公平を解消できることを示す。
論文 参考訳（メタデータ） (2020-12-29T22:34:45Z) - 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。