Fugu-MT 論文翻訳(概要): Enhancing Anomaly Detection via Generating Diversified and Hard-to-distinguish Synthetic Anomalies

論文の概要: Enhancing Anomaly Detection via Generating Diversified and Hard-to-distinguish Synthetic Anomalies

arxiv url: http://arxiv.org/abs/2409.10069v1
Date: Mon, 16 Sep 2024 08:15:23 GMT
ステータス: 処理完了
システム内更新日: 2024-09-17 16:21:11.841384
Title: Enhancing Anomaly Detection via Generating Diversified and Hard-to-distinguish Synthetic Anomalies
Title（参考訳）: 異種・異種混在型合成異常生成による異常検出の促進
Authors: Hyuntae Kim, Changhee Lee,
Abstract要約: 近年のアプローチでは、通常のサンプルから合成異常を生成するためにドメイン固有の変換や摂動を活用することに重点を置いている。そこで本研究では,条件付き摂動器と判別器を併用したドメインに依存しない新しい手法を提案する。我々は,最先端のベンチマークよりも提案手法が優れていることを示す。
参考スコア（独自算出の注目度）: 7.021105583098609
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Unsupervised anomaly detection is a daunting task, as it relies solely on normality patterns from the training data to identify unseen anomalies during testing. Recent approaches have focused on leveraging domain-specific transformations or perturbations to generate synthetic anomalies from normal samples. The objective here is to acquire insights into normality patterns by learning to differentiate between normal samples and these crafted anomalies. However, these approaches often encounter limitations when domain-specific transformations are not well-specified such as in tabular data, or when it becomes trivial to distinguish between them. To address these issues, we introduce a novel domain-agnostic method that employs a set of conditional perturbators and a discriminator. The perturbators are trained to generate input-dependent perturbations, which are subsequently utilized to construct synthetic anomalies, and the discriminator is trained to distinguish normal samples from them. We ensure that the generated anomalies are both diverse and hard to distinguish through two key strategies: i) directing perturbations to be orthogonal to each other and ii) constraining perturbations to remain in proximity to normal samples. Throughout experiments on real-world datasets, we demonstrate the superiority of our method over state-of-the-art benchmarks, which is evident not only in image data but also in tabular data, where domain-specific transformation is not readily accessible. Additionally, we empirically confirm the adaptability of our method to semi-supervised settings, demonstrating its capacity to incorporate supervised signals to enhance anomaly detection performance even further.
Abstract（参考訳）: 教師なし異常検出は、トレーニングデータからの正規性パターンにのみ依存し、テスト中に目に見えない異常を特定するため、大変な作業である。近年のアプローチでは、通常のサンプルから合成異常を生成するためにドメイン固有の変換や摂動を活用することに重点を置いている。ここでの目的は、正常なサンプルとこれらの工芸品の異常を区別することを学ぶことによって、正常なパターンに関する洞察を得ることである。しかし、これらのアプローチは、表形式のデータのようにドメイン固有の変換が十分に特定されていない場合や、それらの区別が簡単になった場合、しばしば制限に直面する。これらの問題に対処するために,条件付き摂動器と判別器を用いたドメインに依存しない新しい手法を提案する。摂動器は入力依存摂動を生成するように訓練され、その後、合成異常を構築するために利用され、識別器は正常なサンプルを区別するために訓練される。生成された異常が多様で、2つの重要な戦略によって区別が難しいことを保証します。一摂動を互いに直交するように指示し、二正常なサンプルに近づいたままの摂動を制限すること。実世界のデータセットに関する実験を通じて、画像データだけでなく、ドメイン固有の変換がアクセスできない表データでも明らかな、最先端のベンチマークよりも、我々の手法が優れていることを示す。さらに,本手法の半教師付き設定への適応性を実証的に確認し,さらに異常検出性能を高めるために教師付き信号を統合する能力を示す。

関連論文リスト

Anomaly Detection by Context Contrasting [57.695202846009714]
異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。我々はコンテキスト拡張を通じて学習するCon$を提案する。
論文参考訳（メタデータ） (2024-05-29T07:59:06Z)
Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文参考訳（メタデータ） (2023-11-27T13:14:06Z)
RoSAS: Deep Semi-Supervised Anomaly Detection with Contamination-Resilient Continuous Supervision [21.393509817509464]
本稿では, テクスト汚染耐性連続監視信号を考案した, 半教師付き異常検出手法を提案する。当社のアプローチは、AUC-PRにおいて最先端の競合他社を20%-30%上回っている。
論文参考訳（メタデータ） (2023-07-25T04:04:49Z)
SaliencyCut: Augmenting Plausible Anomalies for Anomaly Detection [24.43321988051129]
そこで本稿では,SaliencyCutという新たなデータ拡張手法を提案する。次に、各サンプルから微細な異常特徴を抽出し評価するために、異常学習ヘッドにパッチワイド残余モジュールを新規に設計する。
論文参考訳（メタデータ） (2023-06-14T08:55:36Z)
Augment to Detect Anomalies with Continuous Labelling [10.646747658653785]
異常検出は、トレーニング観察と何らかの点で異なるサンプルを認識することである。最近の最先端のディープラーニングに基づく異常検出手法は、計算コスト、複雑さ、不安定な訓練手順、非自明な実装に悩まされている。我々は、軽量な畳み込みニューラルネットワークを訓練し、異常検出における最先端の性能に到達するための単純な学習手順を活用する。
論文参考訳（メタデータ） (2022-07-03T20:11:51Z)
SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
異常検出は、機械学習の基本的な問題であるが、難しい問題である。本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
論文参考訳（メタデータ） (2021-11-25T03:53:43Z)
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)
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)
Generalizing Fault Detection Against Domain Shifts Using Stratification-Aware Cross-Validation [4.731408120697983]
先天異常は重篤な症状よりも軽度の症状を呈する。これらの異常は、容易に通常の動作条件と誤認することができる。そこで本研究では,アンサンブル学習手法により,初期異常に対する性能の向上が期待できることを示す。
論文参考訳（メタデータ） (2020-08-20T00:03:09Z)
Deep Weakly-supervised Anomaly Detection [118.55172352231381]
ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。 PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。 12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
論文参考訳（メタデータ） (2019-10-30T00:40:25Z)

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。