論文の概要: A Survey on Diffusion Models for Anomaly Detection

• arxiv url: http://arxiv.org/abs/2501.11430v1
• Date: Mon, 20 Jan 2025 12:06:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:24:47.891294
• Title: A Survey on Diffusion Models for Anomaly Detection
• Title（参考訳）: 異常検出のための拡散モデルの検討
• Authors: Jing Liu, Zhenchao Ma, Zepu Wang, Yang Liu, Zehua Wang, Peng Sun, Liang Song, Bo Hu, Azzedine Boukerche, Victor C. M. Leung,
• Abstract要約: 拡散モデル(DM)は、生成AIモデルの強力なクラスとして登場した。 DMADは、ますます複雑で高次元のデータにおける偏差を特定するための有望なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 53.38106124603746
• License:
• Abstract: Diffusion models (DMs) have emerged as a powerful class of generative AI models, showing remarkable potential in anomaly detection (AD) tasks across various domains, such as cybersecurity, fraud detection, healthcare, and manufacturing. The intersection of these two fields, termed diffusion models for anomaly detection (DMAD), offers promising solutions for identifying deviations in increasingly complex and high-dimensional data. In this survey, we systematically review recent advances in DMAD research and investigate their capabilities. We begin by presenting the fundamental concepts of AD and DMs, followed by a comprehensive analysis of classic DM architectures including DDPMs, DDIMs, and Score SDEs. We further categorize existing DMAD methods into reconstruction-based, density-based, and hybrid approaches, providing detailed examinations of their methodological innovations. We also explore the diverse tasks across different data modalities, encompassing image, time series, video, and multimodal data analysis. Furthermore, we discuss critical challenges and emerging research directions, including computational efficiency, model interpretability, robustness enhancement, edge-cloud collaboration, and integration with large language models. The collection of DMAD research papers and resources is available at https://github.com/fdjingliu/DMAD.
• Abstract（参考訳）: 拡散モデル(DM)は、生成AIモデルの強力なクラスとして登場し、サイバーセキュリティ、詐欺検出、医療、製造など、さまざまな領域にわたる異常検出(AD)タスクに顕著な可能性を示している。 これら2つの分野の交わりは、異常検出のための拡散モデル(DMAD)と呼ばれ、ますます複雑で高次元のデータにおける偏差を識別するための有望な解決策を提供する。 本調査では,DMAD研究の最近の進歩を体系的にレビューし,その能力について検討する。 まず、ADとDMの基本概念を提示し、続いてDDPM、DDIM、Score SDEなどの古典的DMアーキテクチャを包括的に分析する。 さらに,既存のDMAD手法を再構築ベース,密度ベース,ハイブリッドアプローチに分類し,その方法論的革新を詳細に検討する。 また、画像、時系列、ビデオ、マルチモーダルデータ分析など、さまざまなデータモダリティにまたがる多様なタスクについても検討する。 さらに,計算効率,モデル解釈可能性,堅牢性向上,エッジクラウドコラボレーション,大規模言語モデルとの統合など,重要な課題や研究の方向性についても論じる。 DMADの研究論文とリソースのコレクションはhttps://github.com/fdjingliu/DMADで公開されている。

関連論文リスト

• RADAR: Robust Two-stage Modality-incomplete Industrial Anomaly Detection [61.71770293720491]
  本稿では,2段階のロバスト・モードアリティ不完全融合とFlaAmewoRkの検出について提案する。 我々のブートストラッピング哲学は、MIIADの2段階を強化し、マルチモーダルトランスの堅牢性を向上させることである。 実験の結果,提案手法は従来のMIAD法よりも有効性とロバスト性に優れていた。
  論文  参考訳（メタデータ） (2024-10-02T16:47:55Z)
• Advancing Additive Manufacturing through Deep Learning: A Comprehensive Review of Current Progress and Future Challenges [5.048134681658527]
  本稿では,添加性製造(AM)における深層学習(DL)応用の総合的な文献レビューについて紹介する。 急速に成長するが散在するこの分野で徹底的な分析の必要性に対処し、既存の知識をまとめ、さらなる開発を促進することを目的としている。
  論文  参考訳（メタデータ） (2024-03-01T17:01:47Z)
• Unsupervised Pathology Detection: A Deep Dive Into the State of the Art [6.667150890634173]
  複数の医療データセット上で,最先端の非教師付き異常検出法 (UAD) の選択について検討した。 本実験は, 産業・医療文献から新たに開発された特徴モデリング手法により, 性能が向上することが実証された。 これらの手法は,最近開発された自己教師付き事前学習アルゴリズムの恩恵を受けることができることを示す。
  論文  参考訳（メタデータ） (2023-03-01T16:03:25Z)
• Self-Supervised Anomaly Detection in Computer Vision and Beyond: A Survey and Outlook [9.85256783464329]
  異常検出は、サイバーセキュリティ、金融、医療など、さまざまな領域において重要な役割を担っている。 近年,深層学習モデルの顕著な成長により,この分野において大きな進歩を遂げている。 自己教師型学習の出現は、既存の最先端のアプローチよりも優れた新しいADアルゴリズムの開発を引き起こした。
  論文  参考訳（メタデータ） (2022-05-10T21:16:14Z)
• DIME: Fine-grained Interpretations of Multimodal Models via Disentangled Local Explanations [119.1953397679783]
  我々は,マルチモーダルモデルの解釈における最先端化に注力する。 提案手法であるDIMEは,マルチモーダルモデルの高精度かつきめ細かな解析を可能にする。
  論文  参考訳（メタデータ） (2022-03-03T20:52:47Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Multimodal Representations Learning and Adversarial Hypergraph Fusion for Early Alzheimer's Disease Prediction [30.99183477161096]
  本稿では,アルツハイマー病診断のための新しい表現学習と逆向きハイパーグラフ融合フレームワークを提案する。 本モデルは、他の関連モデルと比較して、アルツハイマー病の検出において優れた性能を発揮する。
  論文  参考訳（メタデータ） (2021-07-21T08:08:05Z)
• Manifold Topology Divergence: a Framework for Comparing Data Manifolds [109.0784952256104]
  本研究では,深部生成モデルの評価を目的としたデータ多様体の比較フレームワークを開発する。 クロスバーコードに基づき,manifold Topology Divergence score(MTop-Divergence)を導入する。 MTop-Divergenceは,様々なモードドロップ,モード内崩壊,モード発明,画像乱れを正確に検出する。
  論文  参考訳（メタデータ） (2021-06-08T00:30:43Z)
• A Comprehensive Study on Temporal Modeling for Online Action Detection [50.558313106389335]
  オンライン行動検出(OAD)は実用的だが難しい課題であり、近年注目を集めている。 本稿では,4種類の時間的モデリング手法を含むOADの時間的モデリングに関する総合的研究を提案する。 本稿では,THUMOS-14 と TVSeries に対して,近年の最先端手法よりも大きなマージンを有するハイブリッド時間モデルを提案する。
  論文  参考訳（メタデータ） (2020-01-21T13:12:58Z)

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。