論文の概要: Constraining Anomaly Detection with Anomaly-Free Regions

• arxiv url: http://arxiv.org/abs/2409.20208v1
• Date: Mon, 30 Sep 2024 11:43:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-02 12:56:53.674250
• Title: Constraining Anomaly Detection with Anomaly-Free Regions
• Title（参考訳）: 異常のない領域による異常検出の抑制
• Authors: Maximilian Toller, Hussain Hussain, Roman Kern, Bernhard C. Geiger,
• Abstract要約: 本稿では,異常検出を改善するために,AFR(Anomaly-free Region)の概念を提案する。 AFR(英: AFR)は、データ空間の領域の一つで、ドメイン知識を通じてその内部に異常が存在しないことが知られている。 推定されたAFRを装着すると、ランダムな推定に基づく効率的なアルゴリズムが、いくつかの広く使われている手法が克服に苦労する強力なベースラインとなることを示す。
• 参考スコア（独自算出の注目度）: 10.080876686828557
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose the novel concept of anomaly-free regions (AFR) to improve anomaly detection. An AFR is a region in the data space for which it is known that there are no anomalies inside it, e.g., via domain knowledge. This region can contain any number of normal data points and can be anywhere in the data space. AFRs have the key advantage that they constrain the estimation of the distribution of non-anomalies: The estimated probability mass inside the AFR must be consistent with the number of normal data points inside the AFR. Based on this insight, we provide a solid theoretical foundation and a reference implementation of anomaly detection using AFRs. Our empirical results confirm that anomaly detection constrained via AFRs improves upon unconstrained anomaly detection. Specifically, we show that, when equipped with an estimated AFR, an efficient algorithm based on random guessing becomes a strong baseline that several widely-used methods struggle to overcome. On a dataset with a ground-truth AFR available, the current state of the art is outperformed.
• Abstract（参考訳）: 本稿では,異常検出を改善するために,AFR(Anomaly-free Region)の概念を提案する。 AFRはデータ空間内の領域であり、ドメイン知識を介してその内部に異常がないことが知られている。 この領域は任意の数の通常のデータポイントを含むことができ、データ空間のどこにでも存在することができる。 AFR内の推定確率質量は、AFR内の通常のデータポイントの数と一致しなければならない。 この知見に基づいて、我々はAFRを用いたアノマリ検出の基本的な理論基盤と参照実装を提供する。 実験の結果, AFRによる異常検出は, 異常検出の非制約により改善することが確認された。 具体的には、推定されたAFRを装着すると、ランダムな推測に基づく効率的なアルゴリズムが、いくつかの広く使われている手法が克服に苦労する強力なベースラインとなることを示す。 AFRが利用可能なデータセットでは、現在の最先端のパフォーマンスが向上している。

関連論文リスト

• ATAC-Net: Zoomed view works better for Anomaly Detection [1.024113475677323]
  ATAC-Netは、既知の最小限の事前異常から異常を検出する訓練を行うフレームワークである。 我々は、その優位性を、同等の設定で現在の最先端技術と比較する。
  論文  参考訳（メタデータ） (2024-06-20T15:18:32Z)
• Rethinking the Domain Gap in Near-infrared Face Recognition [65.7871950460781]
  不均一顔認識(HFR)は、視覚領域(VIS)と近赤外領域(NIR)にまたがる複雑な顔画像マッチング作業を伴う。 HFRに関する既存の文献の多くは、ドメインギャップを主要な課題と認識し、それを入力レベルまたは機能レベルでブリッジする取り組みを指示している。 大規模同質なVISデータで事前トレーニングを行った場合、大規模ニューラルネットワークはより小さなニューラルネットワークとは異なり、HFRでは例外的なゼロショット性能を示す。
  論文  参考訳（メタデータ） (2023-12-01T14:43:28Z)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• That's BAD: Blind Anomaly Detection by Implicit Local Feature Clustering [28.296651124677556]
  ブラインド異常検出(BAD)の設定は、局所的な異常検出問題に変換することができる。 画像および画素レベルの異常を正確に検出できるPatchClusterという新しい手法を提案する。 実験結果から、PatchClusterは通常のデータを知ることなく、有望なパフォーマンスを示すことがわかった。
  論文  参考訳（メタデータ） (2023-07-06T18:17:43Z)
• Anomaly Detection with Score Distribution Discrimination [4.468952886990851]
  本稿では,スコア分布の観点から,異常スコア関数の最適化を提案する。 正常試料と異常試料のスコア分布の重なりを最小化するオーバーラップ損失と呼ばれる新しい損失関数を設計する。
  論文  参考訳（メタデータ） (2023-06-26T03:32:57Z)
• Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
  航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。 本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。 シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
  論文  参考訳（メタデータ） (2023-05-17T09:37:07Z)
• Synthetic Pseudo Anomalies for Unsupervised Video Anomaly Detection: A Simple yet Efficient Framework based on Masked Autoencoder [1.9511777443446219]
  本稿では,ビデオ異常検出のための簡易かつ効率的なフレームワークを提案する。 擬似異常サンプルは、余分なデータ処理をせずにランダムマスクトークンを埋め込み、正規データのみから合成する。 また、正規性とそれに対応する擬似異常データから正規知識をよりよく学習するよう、AEsに促す正規性整合性訓練戦略を提案する。
  論文  参考訳（メタデータ） (2023-03-09T08:33:38Z)
• Chasing Fairness Under Distribution Shift: A Model Weight Perturbation Approach [72.19525160912943]
  まず,分布シフト,データ摂動,モデルウェイト摂動の関連性を理論的に検証した。 次に、ターゲットデータセットの公平性を保証するのに十分な条件を分析します。 これらの十分な条件により、ロバストフェアネス正則化(RFR)を提案する。
  論文  参考訳（メタデータ） (2023-03-06T17:19:23Z)
• 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)
• 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)
• Random Partitioning Forest for Point-Wise and Collective Anomaly Detection -- Application to Intrusion Detection [9.74672460306765]
  DiFF-RFはランダムな分割二分木で構成されるアンサンブルアプローチであり、異常を検出する。 実験の結果,DiFF-RFはアイソレーション・フォレスト(IF)アルゴリズムをほぼ体系的に上回っていることがわかった。 我々の経験から,DiFF-RFは小規模な学習データの存在下では有効であることがわかった。
  論文  参考訳（メタデータ） (2020-06-29T10:44:08Z)

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。