論文の概要: Towards a Trustworthy Anomaly Detection for Critical Applications through Approximated Partial AUC Loss
- arxiv url: http://arxiv.org/abs/2502.11570v1
- Date: Mon, 17 Feb 2025 08:59:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-18 14:14:18.249822
- Title: Towards a Trustworthy Anomaly Detection for Critical Applications through Approximated Partial AUC Loss
- Title(参考訳): 部分的AUC損失の近似による重要なアプリケーションに対する信頼に値する異常検出に向けて
- Authors: Arnaud Bougaham, Benoît Frénay,
- Abstract要約: 2値分類器は、偽陽性率(FPR)を最小化しつつ、真陽性率(TPR)が100%に達するのを防ぐAUC ROC曲線の特定の範囲を最適化するために訓練される。
その結果、TPRは6つのデータセットで平均20.43%のFPRで92.52%向上し、他の最先端の方法と比較して12.2%のFPRコストで4.3%改善した。
- 参考スコア(独自算出の注目度): 2.09942566943801
- License:
- Abstract: Anomaly Detection is a crucial step for critical applications such in the industrial, medical or cybersecurity domains. These sectors share the same requirement of handling differently the different types of classification errors. Indeed, even if false positives are acceptable, false negatives are not, because it would reflect a missed detection of a quality issue, a disease or a cyber threat. To fulfill this requirement, we propose a method that dynamically applies a trustworthy approximated partial AUC ROC loss (tapAUC). A binary classifier is trained to optimize the specific range of the AUC ROC curve that prevents the True Positive Rate (TPR) to reach 100% while minimizing the False Positive Rate (FPR). The optimal threshold that does not trigger any false negative is then kept and used at the test step. The results show a TPR of 92.52% at a 20.43% FPR for an average across 6 datasets, representing a TPR improvement of 4.3% for a FPR cost of 12.2% against other state-of-the-art methods. The code is available at https://github.com/ArnaudBougaham/tapAUC.
- Abstract(参考訳): 異常検出は、産業、医療、サイバーセキュリティドメインなどの重要なアプリケーションにとって重要なステップである。
これらのセクターは、異なるタイプの分類エラーを別々に扱うという、同じ要件を共有している。
事実、たとえ偽陽性が受け入れられたとしても、偽陰性は受け入れられない。
この要件を満たすために、信頼に値する近似的AUCROC損失(tapAUC)を動的に適用する手法を提案する。
バイナリ分類器は、偽陽性率(FPR)を最小化しつつ、真陽性率(TPR)が100%に達するのを防ぐAUC ROC曲線の特定の範囲を最適化するために訓練される。
誤りを起こさない最適なしきい値は、テストステップで保持され、使用される。
その結果、TPRは6つのデータセットで平均20.43%のFPRで92.52%向上し、他の最先端の方法と比較して12.2%のFPRコストで4.3%改善した。
コードはhttps://github.com/ArnaudBougaham/tapAUCで公開されている。
関連論文リスト
- RadHop-Net: A Lightweight Radiomics-to-Error Regression for False Positive Reduction In MRI Prostate Cancer Detection [25.36983109088304]
本稿では,FP削減のための新しい軽量CNNであるRadHop-Netを紹介する。
提案されたステージ2は、公開可能なpi-caiデータセットにおける病変検出における平均精度(AP)を0.407から0.468に改善する。
論文 参考訳(メタデータ) (2025-01-03T19:20:04Z) - FPR Estimation for Fraud Detection in the Presence of Class-Conditional
Label Noise [0.0]
検証セットに誤りラベル(ラベルノイズ)が存在する場合、二項分類モデルに対して偽/真陽性レート(FPR/TPR)を推定する問題を考察する。
当社のモチベーション応用は不正防止であり,FPRの正確な推定値が顧客エクスペリエンスの維持に不可欠である。
論文 参考訳(メタデータ) (2023-08-04T20:14:34Z) - Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。
本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
論文 参考訳(メタデータ) (2023-06-08T07:05:36Z) - False: False Negative Samples Aware Contrastive Learning for Semantic
Segmentation of High-Resolution Remote Sensing Image [11.356381535900901]
高分解能RSIのセマンティックセグメンテーションのためのFalse negAtive sampLes aware contraStive lEarning model (FALSE)を提案する。
SSCL事前訓練は監督されないため、偽陰性サンプル(FNS)の判定可能な基準の欠如は理論的不確定性をもたらす。
我々は、FNS自己決定戦略によるFNSの粗い決定を達成し、FNS信頼度補正(FNCC)損失関数によるFNSの校正を実現する。
論文 参考訳(メタデータ) (2022-11-15T06:24:26Z) - Large-scale Optimization of Partial AUC in a Range of False Positive
Rates [51.12047280149546]
ROC曲線 (AUC) の下の領域は、機械学習において最も広く使われている分類モデルのパフォーマンス指標の1つである。
近年の封筒平滑化技術に基づく効率的な近似勾配降下法を開発した。
提案アルゴリズムは,効率のよい解法を欠くランク付けされた範囲損失の和を最小化するためにも利用できる。
論文 参考訳(メタデータ) (2022-03-03T03:46:18Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳(メタデータ) (2022-01-11T23:01:12Z) - Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。
この課題に対処するための新しいクロスバリデーションのような方法論を提供する。
本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
論文 参考訳(メタデータ) (2021-12-14T17:53:01Z) - Leveraging Uncertainty for Improved Static Malware Detection Under
Extreme False Positive Constraints [21.241478970181912]
本研究では,静的マルウェア検出のための機械学習手法のアンサンブル処理とベイズ処理により,モデル誤りの同定精度が向上することを示す。
特に,本研究では,従来手法で期待されていた0.69から0.80まで,実際に実現された1e-5のFPRにおける真の正の率(TPR)を,Sophos業界スケールデータセット上で最高のモデルクラスで改善する。
論文 参考訳(メタデータ) (2021-08-09T14:30:23Z) - Adversarial Training with Rectified Rejection [114.83821848791206]
本稿では,信頼度(T-Con)を確実性オラクルとして利用し,信頼度を補正してT-Conを予測することを提案する。
軽度の条件下では、正当性(R-Con)拒絶器と信頼性(R-Con)拒絶器を結合して、不正に分類された入力と正しく分類された入力を区別できることを示す。
論文 参考訳(メタデータ) (2021-05-31T08:24:53Z) - Constrained Optimization for Training Deep Neural Networks Under Class
Imbalance [9.557146081524008]
ROC曲線の下で最大領域を強制するために、既存の損失関数で使用できる新しい制約を紹介します。
CIFAR10と社内医療画像データセットを用いた画像分類アプリケーションの実験結果を提示する。
論文 参考訳(メタデータ) (2021-02-21T09:49:36Z) - Second-Order Provable Defenses against Adversarial Attacks [63.34032156196848]
ネットワークの固有値が有界であれば、凸最適化を用いて$l$ノルムの証明を効率的に計算できることを示す。
認証精度は5.78%,44.96%,43.19%であった。
論文 参考訳(メタデータ) (2020-06-01T05:55:18Z)
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。