論文の概要: Removing Geometric Bias in One-Class Anomaly Detection with Adaptive Feature Perturbation

• arxiv url: http://arxiv.org/abs/2503.05520v1
• Date: Fri, 07 Mar 2025 15:42:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-10 12:23:30.194037
• Title: Removing Geometric Bias in One-Class Anomaly Detection with Adaptive Feature Perturbation
• Title（参考訳）: 適応的特徴摂動を用いた一級異常検出における幾何学的バイアスの除去
• Authors: Romain Hermary, Vincent Gaudillière, Abd El Rahman Shabayek, Djamila Aouada,
• Abstract要約: 1クラスの異常検出は、事前に定義された通常のクラスに属さないオブジェクトを検出することを目的としている。 我々は、事前訓練されたモデルによって与えられる凍結だがリッチな特徴空間を考察し、新しい適応線形特徴摂動技術を用いて擬似非正則特徴を作成する。 雑音分布を各サンプルに適用し, 線形摂動を特徴ベクトルに適用し, 対照的な学習目標を用いて分類過程を導出する。
• 参考スコア（独自算出の注目度）: 10.556297392824721
• License:
• Abstract: One-class anomaly detection aims to detect objects that do not belong to a predefined normal class. In practice training data lack those anomalous samples; hence state-of-the-art methods are trained to discriminate between normal and synthetically-generated pseudo-anomalous data. Most methods use data augmentation techniques on normal images to simulate anomalies. However the best-performing ones implicitly leverage a geometric bias present in the benchmarking datasets. This limits their usability in more general conditions. Others are relying on basic noising schemes that may be suboptimal in capturing the underlying structure of normal data. In addition most still favour the image domain to generate pseudo-anomalies training models end-to-end from only the normal class and overlooking richer representations of the information. To overcome these limitations we consider frozen yet rich feature spaces given by pretrained models and create pseudo-anomalous features with a novel adaptive linear feature perturbation technique. It adapts the noise distribution to each sample applies decaying linear perturbations to feature vectors and further guides the classification process using a contrastive learning objective. Experimental evaluation conducted on both standard and geometric bias-free datasets demonstrates the superiority of our approach with respect to comparable baselines. The codebase is accessible via our public repository.
• Abstract（参考訳）: 1クラスの異常検出は、事前に定義された通常のクラスに属さないオブジェクトを検出することを目的としている。 実際には、トレーニングデータには異常なサンプルがないため、最先端の手法では、正常なデータと合成的に生成された擬アノマラスなデータを区別するように訓練されている。 ほとんどの方法は、異常をシミュレートするために、通常の画像にデータ拡張技術を使用する。 しかし、最高のパフォーマンスのものは、ベンチマークデータセットに存在する幾何学的バイアスを暗黙的に活用する。 これにより、より一般的な条件でのユーザビリティが制限される。 他のものは、通常のデータの基盤構造を捉えるのに最適であるような基本的なノイズ付けスキームに依存している。 さらに、ほとんどの場合、通常のクラスのみからエンドツーエンドに擬似アノマリートレーニングモデルを生成し、よりリッチな情報表現を見渡すイメージドメインを好んでいる。 これらの制限を克服するために、事前訓練されたモデルによって与えられる凍結だがリッチな特徴空間を検討し、新しい適応線形特徴摂動技術を用いて擬似非正則特徴を作成する。 雑音分布を各サンプルに適用し, 線形摂動を特徴ベクトルに適用し, 対照的な学習目標を用いて分類過程を導出する。 標準および幾何学的バイアスのないデータセットを用いて行った実験的評価は、我々のアプローチが同等のベースラインに対して優れていることを示す。 コードベースは当社のパブリックリポジトリからアクセス可能です。

関連論文リスト

• Anomaly Detection by Context Contrasting [57.695202846009714]
  異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。 近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。 我々はコンテキスト拡張を通じて学習するCon$を提案する。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• NeuralGF: Unsupervised Point Normal Estimation by Learning Neural Gradient Function [55.86697795177619]
  3次元点雲の正規推定は3次元幾何処理の基本的な課題である。 我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。 広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
  論文  参考訳（メタデータ） (2023-11-01T09:25:29Z)
• An Iterative Method for Unsupervised Robust Anomaly Detection Under Data Contamination [24.74938110451834]
  ほとんどの深層異常検出モデルは、データセットから正規性を学ぶことに基づいている。 実際、正規性仮定は実データ分布の性質によってしばしば破られる。 このギャップを減らし、より優れた正規性表現を実現するための学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-18T02:36:19Z)
• Normality Learning-based Graph Anomaly Detection via Multi-Scale Contrastive Learning [61.57383634677747]
  グラフ異常検出(GAD)は、機械学習やデータマイニングにおいて注目を集めている。 本稿では,マルチスケールコントラスト学習ネットワーク(NLGAD,略語)による正規性学習に基づくGADフレームワークを提案する。 特に,提案アルゴリズムは,最先端手法と比較して検出性能(最大5.89%のAUCゲイン)を向上させる。
  論文  参考訳（メタデータ） (2023-09-12T08:06:04Z)
• Few-shot Anomaly Detection in Text with Deviation Learning [13.957106119614213]
  偏差学習を用いたエンドツーエンド手法で異常スコアを明示的に学習するフレームワークであるFATEを紹介する。 本モデルは,マルチヘッド・セルフアテンション・レイヤと複数インスタンス・ラーニング・アプローチを用いて,異常の異なる振る舞いを学習するために最適化されている。
  論文  参考訳（メタデータ） (2023-08-22T20:40:21Z)
• Unsupervised Deep One-Class Classification with Adaptive Threshold based on Training Dynamics [11.047949973156836]
  疑似ラベル付き正規標本から正規性を学習する,教師なしの深層一階分類を提案する。 10個の異常検出ベンチマークによる実験結果から,本手法は大規模マージンによる異常検出性能を効果的に向上することが示された。
  論文  参考訳（メタデータ） (2023-02-13T01:51:34Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• Near-optimal inference in adaptive linear regression [60.08422051718195]
  最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。 我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。 我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
  論文  参考訳（メタデータ） (2021-07-05T21:05:11Z)
• Deep Visual Anomaly detection with Negative Learning [18.79849041106952]
  本稿では、異常検出の強化に負の学習概念を用いる、負の学習を伴う異常検出(ADNL)を提案する。 その考え方は、与えられた少数の異常例を用いて生成モデルの再構成能力を制限することである。 このようにして、ネットワークは通常のデータを再構築することを学ぶだけでなく、異常の可能性のある分布から遠く離れた正規分布を囲む。
  論文  参考訳（メタデータ） (2021-05-24T01:48:44Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)

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。