論文の概要: Finding Pegasus: Enhancing Unsupervised Anomaly Detection in High-Dimensional Data using a Manifold-Based Approach

• arxiv url: http://arxiv.org/abs/2502.04310v1
• Date: Thu, 06 Feb 2025 18:53:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-07 14:31:48.946059
• Title: Finding Pegasus: Enhancing Unsupervised Anomaly Detection in High-Dimensional Data using a Manifold-Based Approach
• Title（参考訳）: ペガサスの発見:マニフォールドアプローチによる高次元データにおける教師なし異常検出の促進
• Authors: R. P. Nathan, Nikolaos Nikolaou, Ofer Lahav,
• Abstract要約: 本稿では, 理想化された図形 "Finding Pegasus" と, 教師なし異常検出手法を分類した新しい形式的枠組みを提案する。 次に、この知見を用いて、高DRの状況において精度を犠牲にすることなくADリコールを大幅に向上させるAD手法を組み合わせるアプローチを開発する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Unsupervised machine learning methods are well suited to searching for anomalies at scale but can struggle with the high-dimensional representation of many modern datasets, hence dimensionality reduction (DR) is often performed first. In this paper we analyse unsupervised anomaly detection (AD) from the perspective of the manifold created in DR. We present an idealised illustration, "Finding Pegasus", and a novel formal framework with which we categorise AD methods and their results into "on manifold" and "off manifold". We define these terms and show how they differ. We then use this insight to develop an approach of combining AD methods which significantly boosts AD recall without sacrificing precision in situations employing high DR. When tested on MNIST data, our approach of combining AD methods improves recall by as much as 16 percent compared with simply combining with the best standalone AD method (Isolation Forest), a result which shows great promise for its application to real-world data.
• Abstract（参考訳）: 教師なし機械学習手法は、大規模に異常を検索するのに適しているが、多くの現代のデータセットの高次元表現に苦労する可能性があるため、次元減少(DR)が最初に実行されることが多い。 本稿では、DRで作成された多様体の観点から、教師なし異常検出(AD)を分析し、理想的な図形である「フィンディング・ペガサス(Finding Pegasus)」と、AD法とその結果を「多様体」と「オフ多様体」に分類する新しい形式的枠組みを提示する。 これらの用語を定義し、それらがどのように異なるかを示す。 この知見を応用して、高DRの状況においてADリコールの精度を犠牲にすることなくADリコールを著しく向上させるAD手法を組み合わせる手法を開発し、MNISTデータで検証すると、AD手法の組み合わせは、最高のスタンドアロンADメソッド(アイソレーションフォレスト)と組み合わせただけで最大で16%改善する。

関連論文リスト

• One-to-Normal: Anomaly Personalization for Few-shot Anomaly Detection [15.782992908061736]
  本稿では,問合せ画像のパーソナライズされた1対正規変換を行う異常パーソナライズ手法を提案する。 また,クエリと生成した異常なデータプールとの包括的比較と情報伝達を行う3重対照的な異常推論戦略を提案する。 提案手法は,他のAD手法に柔軟に転送できることが証明され,生成した画像データは,他のAD手法の性能を効果的に向上する。
  論文  参考訳（メタデータ） (2025-02-03T09:49:01Z)
• Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
  異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。 この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。 セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
  論文  参考訳（メタデータ） (2024-04-16T17:38:26Z)
• Don't Miss Out on Novelty: Importance of Novel Features for Deep Anomaly Detection [64.21963650519312]
  異常検出(AD)は、正規性の学習モデルに適合しない観察を識別する重要なタスクである。 本稿では, 入力空間における説明不能な観測として, 説明可能性を用いた新しいAD手法を提案する。 当社のアプローチでは,複数のベンチマークにまたがる新たな最先端性を確立し,さまざまな異常な型を扱う。
  論文  参考訳（メタデータ） (2023-10-01T21:24:05Z)
• UADB: Unsupervised Anomaly Detection Booster [29.831918685340433]
  教師なし異常検出(Unsupervised Anomaly Detection, UAD)は、その広範囲な実世界の応用のために重要なデータマイニング問題である。 そのような複雑さを記述できる仮定はひとつもなく、すべてのシナリオで有効である。 我々は、異なるデータに適応可能な任意のUADモデルに権限を与える一般的なUADブースタ(UADB)を提案する。
  論文  参考訳（メタデータ） (2023-06-03T04:16:31Z)
• On the Connection of Generative Models and Discriminative Models for Anomaly Detection [3.9072109732275084]
  本稿では,GM ベースの AD 手法の理想的な性能に関する新しい視点を提案する。 GMMに基づくAD法における暗黙の仮定を回避するために、差別的アイデアをGMMからADタスクへ統合することを提案する。
  論文  参考訳（メタデータ） (2022-11-16T13:42:01Z)
• Data-Efficient and Interpretable Tabular Anomaly Detection [54.15249463477813]
  本稿では,ホワイトボックスモデルクラスである一般化付加モデルを適用し,異常を検出する新しいフレームワークを提案する。 さらに、提案フレームワークであるDIADは、ラベル付きデータの少量を組み込んで、半教師付き設定における異常検出性能をさらに向上させることができる。
  論文  参考訳（メタデータ） (2022-03-03T22:02:56Z)
• Hard-label Manifolds: Unexpected Advantages of Query Efficiency for Finding On-manifold Adversarial Examples [67.23103682776049]
  画像分類モデルに対する最近のゼロオーダーのハードラベル攻撃は、ファーストオーダーのグラデーションレベルの代替品に匹敵する性能を示している。 最近、グラデーションレベルの設定では、通常の敵対的な例がデータ多様体から離れ、オンマニホールドの例が実際には一般化エラーであることが示されている。 雑音の多い多様体距離オラクルに基づく情報理論論的議論を提案し、敵の勾配推定を通じて多様体情報を漏洩させる。
  論文  参考訳（メタデータ） (2021-03-04T20:53:06Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)
• Simple and Effective Prevention of Mode Collapse in Deep One-Class Classification [93.2334223970488]
  深部SVDDにおける超球崩壊を防止するための2つの正則化器を提案する。 第1の正則化器は、標準のクロスエントロピー損失によるランダムノイズの注入に基づいている。 第2の正規化器は、小さすぎるとミニバッチ分散をペナライズする。
  論文  参考訳（メタデータ） (2020-01-24T03:44:47Z)

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。