論文の概要: Training-free Anomaly Event Detection via LLM-guided Symbolic Pattern Discovery

• arxiv url: http://arxiv.org/abs/2502.05843v1
• Date: Sun, 09 Feb 2025 10:30:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-11 14:32:03.627310
• Title: Training-free Anomaly Event Detection via LLM-guided Symbolic Pattern Discovery
• Title（参考訳）: LLM誘導シンボリックパターン発見による無トレーニング異常事象検出
• Authors: Yuhui Zeng, Haoxiang Wu, Wenjie Nie, Guangyao Chen, Xiawu Zheng, Yunhang Shen, Guilin Li, Yixiong Zou, Yonghong Tian, Rongrong Ji,
• Abstract要約: 異常事象検出は、様々な現実世界のアプリケーションにおいて重要な役割を果たす。 オープンセットオブジェクト検出とシンボリック回帰を統合した学習自由フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 70.75963253876628
• License:
• Abstract: Anomaly event detection plays a crucial role in various real-world applications. However, current approaches predominantly rely on supervised learning, which faces significant challenges: the requirement for extensive labeled training data and lack of interpretability in decision-making processes. To address these limitations, we present a training-free framework that integrates open-set object detection with symbolic regression, powered by Large Language Models (LLMs) for efficient symbolic pattern discovery. The LLMs guide the symbolic reasoning process, establishing logical relationships between detected entities. Through extensive experiments across multiple domains, our framework demonstrates several key advantages: (1) achieving superior detection accuracy through direct reasoning without any training process; (2) providing highly interpretable logical expressions that are readily comprehensible to humans; and (3) requiring minimal annotation effort - approximately 1% of the data needed by traditional training-based methods.To facilitate comprehensive evaluation and future research, we introduce two datasets: a large-scale private dataset containing over 110,000 annotated images covering various anomaly scenarios including construction site safety violations, illegal fishing activities, and industrial hazards, along with a public benchmark dataset of 5,000 samples with detailed anomaly event annotations. Code is available at here.
• Abstract（参考訳）: 異常事象検出は、様々な現実世界のアプリケーションにおいて重要な役割を果たす。 しかし、現在のアプローチは主に教師あり学習に依存しており、これは大きな課題に直面している: 広範囲のラベル付きトレーニングデータの要求と意思決定プロセスにおける解釈可能性の欠如である。 これらの制約に対処するために、オープンセットオブジェクト検出とシンボル回帰を統合し、Large Language Models (LLMs) を用いて効率的なシンボルパターン探索を行うトレーニングフリーフレームワークを提案する。 LLMはシンボリック推論プロセスをガイドし、検出されたエンティティ間の論理的関係を確立する。 複数の領域にわたる広範な実験を通じて、本フレームワークは、(1)直接推論による検出精度の向上、(2)人間にとって容易に理解可能な高度に解釈可能な論理式の提供、(3)最小限のアノテーションの努力を必要とすること、(3)総合的な評価と今後の研究を促進するために、建設現場の安全違反、違法な漁業活動、産業災害を含む様々な異常シナリオを含む110,000以上の注釈付き画像を含む大規模プライベートデータセットと、詳細な異常事象アノテーションを含む5,000のサンプルの公開ベンチマークの2つのデータセットを紹介した。 コードはここにある。

関連論文リスト

• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• Explainable Attention for Few-shot Learning and Beyond [7.044125601403848]
  本稿では,説明可能な難易度発見,特に数発の学習シナリオに適した新しいフレームワークを提案する。 提案手法では、深層強化学習を用いて、生の入力データに直接影響するハードアテンションの概念を実装している。
  論文  参考訳（メタデータ） (2023-10-11T18:33:17Z)
• Comparing AutoML and Deep Learning Methods for Condition Monitoring using Realistic Validation Scenarios [0.0]
  本研究では、AutoMLツールボックスを用いた条件監視タスクにおける従来の機械学習手法とディープラーニングを広範囲に比較する。 実験では、ランダムなK倍のクロスバリデーションシナリオにおいて、全ての試験モデルに対して一貫した高い精度を示す。 実際のシナリオにおけるドメインシフトの存在を示す明確な勝者は現れない。
  論文  参考訳（メタデータ） (2023-08-28T14:57:29Z)
• A Global Model Approach to Robust Few-Shot SAR Automatic Target Recognition [6.260916845720537]
  ディープラーニングベースのSAR自動ターゲット認識(ATR)モデルをトレーニングするために、クラス毎に数百のラベル付きサンプルを収集できるとは限らない。 この研究は特に数発のSAR ATR問題に対処しており、興味のあるタスクをサポートするためにラベル付きサンプルがわずかである。
  論文  参考訳（メタデータ） (2023-03-20T00:24:05Z)
• Consecutive Pretraining: A Knowledge Transfer Learning Strategy with Relevant Unlabeled Data for Remote Sensing Domain [25.84756140221655]
  自然言語処理(NLP)における事前学習を停止しないという考え方に基づいて,CSPT(ConSecutive PreTraining)を提案する。 提案したCSPTは、タスク対応モデルトレーニングのためのラベルなしデータの巨大な可能性を公開することもできる。 その結果,提案したCSPTをタスク認識モデルトレーニングに活用することにより,従来の教師付きプレトレーニング-then-fine-tuning法よりもRTDのダウンストリームタスクのほとんどを上回り得ることがわかった。
  論文  参考訳（メタデータ） (2022-07-08T12:32:09Z)
• Activation to Saliency: Forming High-Quality Labels for Unsupervised Salient Object Detection [54.92703325989853]
  本稿では,高品質なサリエンシキューを効果的に生成する2段階アクティベーション・ツー・サリエンシ(A2S)フレームワークを提案する。 トレーニングプロセス全体において、私たちのフレームワークにヒューマンアノテーションは関与していません。 本フレームワークは,既存のUSOD法と比較して高い性能を示した。
  論文  参考訳（メタデータ） (2021-12-07T11:54:06Z)
• Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
  本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。 我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-05T14:15:49Z)
• Learning to Count in the Crowd from Limited Labeled Data [109.2954525909007]
  我々は,限られた数のラベル付きサンプルから参加者を数えることを学ぶことで,アノテーションの努力を減らすことに重点を置いている。 具体的には,未ラベルデータに対する擬似地下真理推定を含むガウス過程に基づく反復学習機構を提案する。
  論文  参考訳（メタデータ） (2020-07-07T04:17:01Z)
• Empirical Perspectives on One-Shot Semi-supervised Learning [0.0]
  新しいアプリケーションにディープニューラルネットワークを採用する際の最大の障害の1つは、ネットワークのトレーニングが通常、多数の手作業によるトレーニングサンプルを必要とすることである。 ディープネットワークをトレーニングするためには、大量のラベル付きデータにアクセスするが、クラス毎に1つのサンプルのみをラベル付けする必要があるシナリオを実証的に検討する。
  論文  参考訳（メタデータ） (2020-04-08T17:51:06Z)
• Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
  Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。 マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。 このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
  論文  参考訳（メタデータ） (2020-01-06T13:37:51Z)

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。