論文の概要: SIGMA: Single Interpolated Generative Model for Anomalies

• arxiv url: http://arxiv.org/abs/2410.20537v1
• Date: Sun, 27 Oct 2024 18:00:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:20:20.979260
• Title: SIGMA: Single Interpolated Generative Model for Anomalies
• Title（参考訳）: SIGMA: 異常の単一補間生成モデル
• Authors: Ranit Das, David Shih,
• Abstract要約: 我々は、背景分布を推定する新しい、完全にデータ駆動で、計算効率のよいSIGMAを提案する。 信号領域の背景モデルを得るために、すべてのデータに対して単一の生成モデルをトレーニングし、そのパラメータをサイドバンド領域に補間する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: A key step in any resonant anomaly detection search is accurate modeling of the background distribution in each signal region. Data-driven methods like CATHODE accomplish this by training separate generative models on the complement of each signal region, and interpolating them into their corresponding signal regions. Having to re-train the generative model on essentially the entire dataset for each signal region is a major computational cost in a typical sliding window search with many signal regions. Here, we present SIGMA, a new, fully data-driven, computationally-efficient method for estimating background distributions. The idea is to train a single generative model on all of the data and interpolate its parameters in sideband regions in order to obtain a model for the background in the signal region. The SIGMA method significantly reduces the computational cost compared to previous approaches, while retaining a similar high quality of background modeling and sensitivity to anomalous signals.
• Abstract（参考訳）: 共鳴異常検出探索における鍵ステップは、各信号領域の背景分布の正確なモデリングである。 CATHODEのようなデータ駆動方式は、各信号領域の補数に関する別々の生成モデルを訓練し、対応する信号領域に補間することでこれを達成している。 各信号領域のデータセット全体に対する生成モデルの再学習は、多くの信号領域を持つ典型的なスライドウィンドウサーチにおいて、大きな計算コストとなる。 本稿では,SIGMAを提案する。SIGMAは,背景分布を推定するための,完全データ駆動型,計算効率のよい新しい手法である。 信号領域の背景モデルを得るために、すべてのデータに対して単一の生成モデルをトレーニングし、そのパラメータをサイドバンド領域に補間する。 SIGMA法は,従来の手法に比べて計算コストを大幅に削減すると同時に,背景モデリングの高品質さや異常信号に対する感度も維持する。

関連論文リスト

• Robust semi-parametric signal detection in particle physics with classifiers decorrelated via optimal transport [0.20971479389679337]
  粒子物理学において、教師付き分類器は、既知の標準模型物理学から信号モデルを分離するために用いられる。 しかし、背景モデルの誤差は、信号検出手順に悪影響を及ぼす可能性がある。 本稿では,予備的な信号強調処理のみを行うために,分類器の使用方法を示す。 次に、実際の実験データのみを用いて、信号量の多いサンプルに対してバンプハントを行う。
  論文  参考訳（メタデータ） (2024-09-10T10:32:21Z)
• Locally Stationary Graph Processes [2.311583680973075]
  本稿では,局所定常性の概念を不規則なグラフ領域に拡張することを目的とした,局所定常グラフプロセス(LSGP)モデルを提案する。 信号問題に関する実験により,提案したプロセスモデルが技術状況と競合する正確な信号表現を提供することが示された。
  論文  参考訳（メタデータ） (2023-09-04T15:16:55Z)
• Diffusion with Forward Models: Solving Stochastic Inverse Problems Without Direct Supervision [76.32860119056964]
  本稿では,直接観測されない信号の分布からサンプルを学習する拡散確率モデルを提案する。 コンピュータビジョンの課題3つの課題に対して,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2023-06-20T17:53:00Z)
• Learning from aggregated data with a maximum entropy model [73.63512438583375]
  我々は,観測されていない特徴分布を最大エントロピー仮説で近似することにより,ロジスティック回帰と類似した新しいモデルが,集約データからのみ学習されることを示す。 我々は、この方法で学習したモデルが、完全な非凝集データでトレーニングされたロジスティックモデルに匹敵するパフォーマンスを達成することができるという、いくつかの公開データセットに関する実証的な証拠を提示する。
  論文  参考訳（メタデータ） (2022-10-05T09:17:27Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Federated and Generalized Person Re-identification through Domain and Feature Hallucinating [88.77196261300699]
  人物再識別(re-ID)におけるフェデレーションドメイン一般化(FedDG)の問題について検討する。 一般化された局所的・グローバルなモデルを学ぶための多様な特徴を創出する手法として,DFH (Domain and Feature Hallucinating) を提案する。 提案手法は4つの大規模re-IDベンチマークにおいてFedDGの最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-03-05T09:15:13Z)
• Learning Signal-Agnostic Manifolds of Neural Fields [50.066449953522685]
  ニューラルネットワークを利用して、画像、形状、オーディオ、およびモーダル・オーディオヴィジュアル領域の基盤となる構造を捉える。 GEMの基底多様体を横切ることで、信号領域に新しいサンプルを生成できることが示される。
  論文  参考訳（メタデータ） (2021-11-11T18:57:40Z)
• Computing Semilinear Sparse Models for Approximately Eventually Periodic Signals [0.0]
  離散時間信号に対する半線形スパースモデルの計算に対応する理論とアルゴリズムの要素について述べる。 我々は、ほぼ周期的な離散時間信号、すなわち、初期時間で周期的な振舞いを示し、その後にほぼ周期的な振舞いを示す信号に焦点をあてる。
  論文  参考訳（メタデータ） (2021-10-18T01:28:10Z)
• Automatic Differentiation to Simultaneously Identify Nonlinear Dynamics and Extract Noise Probability Distributions from Data [4.996878640124385]
  SINDyは時系列データから類似の動的モデルや方程式を発見するためのフレームワークである。 自動微分と最近のRudyらによって制約されたタイムステッピングを統合したSINDyアルゴリズムの変種を開発する。 本手法は,ガウス分布,一様分布,ガンマ分布,レイリー分布などの確率分布の多様性を同定できることを示す。
  論文  参考訳（メタデータ） (2020-09-12T23:52:25Z)
• Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
  機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。 このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。 提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-02-14T06:58:27Z)

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。