論文の概要: Latent Anomaly Detection Through Density Matrices

• arxiv url: http://arxiv.org/abs/2408.07623v1
• Date: Wed, 14 Aug 2024 15:44:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-15 12:53:17.494898
• Title: Latent Anomaly Detection Through Density Matrices
• Title（参考訳）: 密度行列による潜時異常検出
• Authors: Joseph Gallego-Mejia, Oscar Bustos-Brinez, Fabio A. González,
• Abstract要約: 本稿では,密度推定に基づく異常検出手法の頑健な統計的原理と深層学習モデルの表現学習能力を組み合わせた,新しい異常検出フレームワークを提案する。 このフレームワークから派生した手法は、浅いアプローチと、データの低次元表現を学習するためにオートエンコーダを統合するディープアプローチの2つの異なるバージョンで示される。
• 参考スコア（独自算出の注目度）: 3.843839245375552
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces a novel anomaly detection framework that combines the robust statistical principles of density-estimation-based anomaly detection methods with the representation-learning capabilities of deep learning models. The method originated from this framework is presented in two different versions: a shallow approach employing a density-estimation model based on adaptive Fourier features and density matrices, and a deep approach that integrates an autoencoder to learn a low-dimensional representation of the data. By estimating the density of new samples, both methods are able to find normality scores. The methods can be seamlessly integrated into an end-to-end architecture and optimized using gradient-based optimization techniques. To evaluate their performance, extensive experiments were conducted on various benchmark datasets. The results demonstrate that both versions of the method can achieve comparable or superior performance when compared to other state-of-the-art methods. Notably, the shallow approach performs better on datasets with fewer dimensions, while the autoencoder-based approach shows improved performance on datasets with higher dimensions.
• Abstract（参考訳）: 本稿では,密度推定に基づく異常検出手法の頑健な統計的原理と深層学習モデルの表現学習能力を組み合わせた,新しい異常検出フレームワークを提案する。 本手法は,適応的なフーリエ特徴と密度行列に基づく密度推定モデルを用いた浅層アプローチと,データの低次元表現を学習するためにオートエンコーダを統合する深層アプローチの2つの異なるバージョンで提案される。 新しいサンプルの密度を推定することにより、どちらの手法も正規度スコアを見つけることができる。 この手法はエンドツーエンドのアーキテクチャにシームレスに統合することができ、勾配に基づく最適化手法を用いて最適化することができる。 その性能を評価するため、様々なベンチマークデータセットで広範な実験を行った。 その結果,本手法の両バージョンは,他の最先端手法と比較して,同等あるいは優れた性能が得られることを示した。 特に、浅いアプローチは、より少ない次元のデータセットで、一方、オートエンコーダベースのアプローチでは、より高い次元のデータセットでのパフォーマンスが向上している。

関連論文リスト

• Enhancing binary classification: A new stacking method via leveraging computational geometry [5.906199156511947]
  本稿では,計算幾何学的手法,特に最大重み付き矩形問題の解法を統合した新しいメタモデルを提案する。 本手法は複数のオープンデータセットを用いて評価し,その安定性と精度の向上を示す統計解析を行った。 本手法は, アンサンブル学習の積み重ねだけでなく, 病院の健康評価評価や銀行信用評価システムなど, 様々な実世界の応用にも応用できる。
  論文  参考訳（メタデータ） (2024-10-30T06:11:08Z)
• Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
  1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。 マルチモーダルデータに適した深層学習一クラス分類法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T12:31:18Z)
• Improved Distribution Matching for Dataset Condensation [91.55972945798531]
  本稿では,分布マッチングに基づく新しいデータセット凝縮法を提案する。 提案手法は,計算資源の少ない従来の最適化指向手法よりも優れている。
  論文  参考訳（メタデータ） (2023-07-19T04:07:33Z)
• Minimizing the Accumulated Trajectory Error to Improve Dataset Distillation [151.70234052015948]
  本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。 合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。 本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
  論文  参考訳（メタデータ） (2022-11-20T15:49:11Z)
• LEAN-DMKDE: Quantum Latent Density Estimation for Anomaly Detection [0.0]
  この方法は、データの低次元表現を学習するためのオートエンコーダと密度推定モデルを組み合わせる。 本手法は, 推定密度に基づいて, 新しい試料の正規度を推定する。 実験結果から,本手法が他の最先端手法と同等あるいは同等に動作することを示す。
  論文  参考訳（メタデータ） (2022-11-15T21:51:42Z)
• AD-DMKDE: Anomaly Detection through Density Matrices and Fourier Features [0.0]
  この方法は、カーネル密度推定(KDE)の効率的な近似と見なすことができる。 提案手法を, 各種データセット上での11種類の最先端異常検出手法と体系的に比較した。
  論文  参考訳（メタデータ） (2022-10-26T15:43:16Z)
• Distributed Dynamic Safe Screening Algorithms for Sparse Regularization [73.85961005970222]
  本稿では,分散動的安全スクリーニング(DDSS)手法を提案し,共有メモリアーキテクチャと分散メモリアーキテクチャにそれぞれ適用する。 提案手法は, 線形収束率を低次複雑度で達成し, 有限個の繰り返しにおいてほとんどすべての不活性な特徴をほぼ確実に除去できることを示す。
  論文  参考訳（メタデータ） (2022-04-23T02:45:55Z)
• Unsupervised feature selection via self-paced learning and low-redundant regularization [6.083524716031565]
  自己評価学習とサブスペース学習の枠組みを統合することにより,教師なしの特徴選択を提案する。 この手法の収束性は理論的および実験的に証明される。 実験の結果,提案手法はクラスタリング法の性能を向上し,他の比較アルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-12-14T08:28:19Z)
• Adaptive Hierarchical Similarity Metric Learning with Noisy Labels [138.41576366096137]
  適応的階層的類似度メトリック学習法を提案する。 ノイズに敏感な2つの情報、すなわち、クラスワイドのばらつきとサンプルワイドの一貫性を考える。 提案手法は,現在の深層学習手法と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-10-29T02:12:18Z)
• Meta-learning One-class Classifiers with Eigenvalue Solvers for Supervised Anomaly Detection [55.888835686183995]
  教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。 提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
  論文  参考訳（メタデータ） (2021-03-01T01:43:04Z)
• Statistical Outlier Identification in Multi-robot Visual SLAM using Expectation Maximization [18.259478519717426]
  本稿では、同時局所化およびマッピング(SLAM)におけるマップ間ループ閉包外乱検出のための、新しい分散手法を提案する。 提案アルゴリズムは優れた初期化に頼らず、一度に2つ以上のマップを処理できる。
  論文  参考訳（メタデータ） (2020-02-07T06:34:44Z)

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。