論文の概要: Unsupervised Anomaly Detection through Mass Repulsing Optimal Transport
- arxiv url: http://arxiv.org/abs/2502.12793v1
- Date: Tue, 18 Feb 2025 11:54:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-19 14:09:34.385732
- Title: Unsupervised Anomaly Detection through Mass Repulsing Optimal Transport
- Title(参考訳): マスリパルス最適輸送による教師なし異常検出
- Authors: Eduardo Fernandes Montesuma, Adel El Habazi, Fred Ngole Mboula,
- Abstract要約: 我々は,最小の努力目標を維持しつつ,サンプルの質量移動を強制的に強制して異常検出に取り組む。
これらの概念を使って、新しい異常スコアを設計します。
- 参考スコア(独自算出の注目度): 5.042313273982193
- License:
- Abstract: Detecting anomalies in datasets is a longstanding problem in machine learning. In this context, anomalies are defined as a sample that significantly deviates from the remaining data. Meanwhile, optimal transport (OT) is a field of mathematics concerned with the transportation, between two probability measures, at least effort. In classical OT, the optimal transportation strategy of a measure to itself is the identity. In this paper, we tackle anomaly detection by forcing samples to displace its mass, while keeping the least effort objective. We call this new transportation problem Mass Repulsing Optimal Transport (MROT). Naturally, samples lying in low density regions of space will be forced to displace mass very far, incurring a higher transportation cost. We use these concepts to design a new anomaly score. Through a series of experiments in existing benchmarks, and fault detection problems, we show that our algorithm improves over existing methods.
- Abstract(参考訳): データセットの異常を検出することは、機械学習の長年の問題である。
この文脈では、異常は残りのデータから著しく逸脱するサンプルとして定義される。
一方、最適輸送(OT)は、少なくとも2つの確率測度の間の輸送に関する数学の分野である。
古典的 OT において、測度自体に最適な輸送戦略は恒等性である。
本稿では,サンプルの質量移動を強制的に行うことで異常検出に取り組み,最小の努力目標を維持した。
我々はこの新たな輸送問題をMROT(Mass Repulsing Optimal Transport)と呼ぶ。
当然、宇宙の低密度領域にあるサンプルは、輸送コストが高くなるため、非常に遠くに物質を移動せざるを得ない。
これらの概念を使って、新しい異常スコアを設計します。
既存のベンチマークや故障検出問題に対する一連の実験を通じて,本アルゴリズムは既存の手法よりも改善されていることを示す。
関連論文リスト
- Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。
物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。
PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
論文 参考訳(メタデータ) (2024-07-10T17:39:50Z) - Estimating Latent Population Flows from Aggregated Data via Inversing
Multi-Marginal Optimal Transport [57.16851632525864]
累積カウントデータから潜在人口フローを推定する問題について検討する。
この問題は、プライバシーの問題や測定の不確実性のために個々の軌道が利用できない場合に発生する。
我々はMOTフレームワークのコスト関数を学習し,集約データからの遷移フローを推定する。
論文 参考訳(メタデータ) (2022-12-30T03:03:23Z) - InfoOT: Information Maximizing Optimal Transport [58.72713603244467]
InfoOTは最適な輸送の情報理論の拡張である。
幾何学的距離を最小化しながら、ドメイン間の相互情報を最大化する。
この定式化は、外れ値に対して堅牢な新しい射影法をもたらし、目に見えないサンプルに一般化する。
論文 参考訳(メタデータ) (2022-10-06T18:55:41Z) - Low-rank Optimal Transport: Approximation, Statistics and Debiasing [51.50788603386766]
フロゼットボン2021ローランで提唱された低ランク最適輸送(LOT)アプローチ
LOTは興味のある性質と比較した場合、エントロピー正則化の正当な候補と見なされる。
本稿では,これらの領域のそれぞれを対象とし,計算OTにおける低ランクアプローチの影響を補強する。
論文 参考訳(メタデータ) (2022-05-24T20:51:37Z) - Approximating Optimal Transport via Low-rank and Sparse Factorization [19.808887459724893]
最適なトランスポート(OT)は、様々な機械学習アプリケーションで自然に発生するが、しばしば計算ボトルネックとなる。
輸送計画を低ランク行列とスパース行列の和に分解できる新しいOT近似法を提案する。
論文 参考訳(メタデータ) (2021-11-12T03:10:45Z) - Do Neural Optimal Transport Solvers Work? A Continuous Wasserstein-2
Benchmark [133.46066694893318]
最適輸送のためのニューラルネットワークに基づく解法の性能を評価する。
既存の解法では,下流タスクでは良好に機能するにもかかわらず,最適な輸送マップを復元できないことがわかった。
論文 参考訳(メタデータ) (2021-06-03T15:59:28Z) - Semi-Discrete Optimal Transport: Hardness, Regularization and Numerical
Solution [8.465228064780748]
2つの点でサポートされる離散確率測度の間のWasserstein距離の計算が既に#P-hardであることを証明します。
目的関数が最も悪質な外乱分布で滑らかになる分布的に頑健な双対最適輸送問題を導入する。
双対目的関数の平滑化は主目的関数の正則化と等価であることを示す。
論文 参考訳(メタデータ) (2021-03-10T18:53:59Z) - Minibatch optimal transport distances; analysis and applications [9.574645423576932]
最適輸送距離は確率分布を比較するための古典的なツールとなり、機械学習に多くの応用を見出した。
一般的な回避策は、これらの距離をミニバッチで計算して、いくつかの小さな最適な輸送問題の結果の平均化です。
本稿では,本手法の広範な分析を行い,その効果を限定したケースで検討した。
論文 参考訳(メタデータ) (2021-01-05T21:29:31Z) - AOT: Appearance Optimal Transport Based Identity Swapping for Forgery
Detection [76.7063732501752]
顔偽造検出のための外観の相違が大きい新しい識別スワップアルゴリズムを提案する。
外観のギャップは主に、照明と肌の色における大きな相違から生じる。
実画像パッチと偽画像パッチの混在とを識別するために識別器を導入する。
論文 参考訳(メタデータ) (2020-11-05T06:17:04Z)
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。