論文の概要: Topological Uncertainty for Anomaly Detection in the Neural-network EoS Inference with Neutron Star Data
- arxiv url: http://arxiv.org/abs/2508.19683v1
- Date: Wed, 27 Aug 2025 08:44:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-28 19:07:41.56316
- Title: Topological Uncertainty for Anomaly Detection in the Neural-network EoS Inference with Neutron Star Data
- Title（参考訳）: 中性子星データを用いたニューラルネットワークEoS推論における異常検出のトポロジ的不確かさ
- Authors: Kenji Fukushima, Syo Kamata,
- Abstract要約: 訓練されたフィードフォワードニューラルネットワーク(FNN)を用いて構築したトポロジカル不確実性(TU)による異常検出の性能について検討した。
様々な入力データに対して、クロスTUを計算し、異常検出の性能を推定する。
- 参考スコア（独自算出の注目度）: 1.4323566945483497
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study the performance of the Topological Uncertainty (TU) constructed with a trained feedforward neural network (FNN) for Anomaly Detection. Generally, meaningful information can be stored in the hidden layers of the trained FNN, and the TU implementation is one tractable recipe to extract buried information by means of the Topological Data Analysis. We explicate the concept of the TU and the numerical procedures. Then, for a concrete demonstration of the performance test, we employ the Neutron Star data used for inference of the equation of state (EoS). For the training dataset consisting of the input (Neutron Star data) and the output (EoS parameters), we can compare the inferred EoSs and the exact answers to classify the data with the label $k$. The subdataset with $k=0$ leads to the normal inference for which the inferred EoS approximates the answer well, while the subdataset with $k=1$ ends up with the unsuccessful inference. Once the TU is prepared based on the $k$-labled subdatasets, we introduce the cross-TU to quantify the uncertainty of characterizing the $k$-labeled data with the label $j$. The anomaly or unsuccessful inference is correctly detected if the cross-TU for $j=k=1$ is smaller than that for $j=0$ and $k=1$. In our numerical experiment, for various input data, we calculate the cross-TU and estimate the performance of Anomaly Detection. We find that performance depends on FNN hyperparameters, and the success rate of Anomaly Detection exceeds $90\%$ in the best case. We finally discuss further potential of the TU application to retrieve the information hidden in the trained FNN.
- Abstract（参考訳）: 訓練されたフィードフォワードニューラルネットワーク(FNN)を用いて構築したトポロジカル不確実性(TU)による異常検出の性能について検討した。
一般に、トレーニングされたFNNの隠された層に有意な情報を格納することができ、TUの実装は、トポロジカルデータ解析を用いて埋蔵情報を抽出する1つの抽出可能なレシピである。
TUの概念と数値手順を詳述する。
次に、実演実験のために、状態方程式(EoS)の推測に使用される中性子星のデータを用いる。
入力(Neutron Starデータ)と出力(EoSパラメータ)からなるトレーニングデータセットでは、推測されたEoSと正確な回答を比較して、データをラベル$k$と分類することができる。
k=0$のサブデータセットは、推測されたEoSが解をよく近似する通常の推論につながるが、$k=1$のサブデータセットは失敗に終わる。
TUが$k$ラベル付きサブデータセットに基づいて準備されると、$k$ラベル付きデータをラベル付き$j$で特徴づける不確実性を定量化する。
異常または失敗な推論は、$j=k=1$のクロスTUが$j=0$と$k=1$のクロスTUより小さい場合に正しく検出される。
数値実験では, 様々な入力データに対して, クロスTUを計算し, 異常検出の性能を推定する。
性能はFNNハイパーパラメータに依存しており,Anomaly Detectionの成功率は90\%以上である。
トレーニングされたFNNに隠された情報を検索するためのTUアプリケーションのさらなる可能性について論じる。
関連論文リスト
- Bayesian Inference with Deep Weakly Nonlinear Networks [57.95116787699412]
我々は,完全連結ニューラルネットワークによるベイズ推定が解けることを示す物理レベルの厳密さを示す。
我々はモデルエビデンスを計算し、任意の温度で1/N$で任意の順序に後続する手法を提供する。
論文 参考訳（メタデータ） (2024-05-26T17:08:04Z) - Collaborative non-parametric two-sample testing [55.98760097296213]
目標は、null仮説の$p_v = q_v$が拒否されるノードを特定することである。
グラフ構造を効率的に活用する非パラメトリックコラボレーティブ2サンプルテスト(CTST)フレームワークを提案する。
提案手法は,f-divergence Estimation, Kernel Methods, Multitask Learningなどの要素を統合する。
論文 参考訳（メタデータ） (2024-02-08T14:43:56Z) - A Combinatorial Approach to Robust PCA [18.740048806623037]
敵の汚職下でのガウスデータの回復問題について検討する。
ガウスノイズは未知の$k$-次元部分空間$U subseteq mathbbRd$と、各データポイントのランダムに選択された座標が敵の制御に該当すると仮定する。
我々の主な結果は、$ks2 = O(d)$のとき、期待して$tilde O(ks/d)$のほぼ最適エラーまですべてのデータポイントを復元する効率的なアルゴリズムです。
論文 参考訳（メタデータ） (2023-11-28T01:49:51Z) - High-Dimensional Smoothed Entropy Estimation via Dimensionality
Reduction [14.53979700025531]
微分エントロピー$h(X+Z)$を独立に$n$で推定し、同じ分散サンプルを$X$とする。
絶対誤差損失では、上記の問題はパラメータ推定率$fraccDsqrtn$である。
我々は、エントロピー推定の前に主成分分析(PCA)を通して低次元空間に$X$を投影することで、この指数的なサンプル複雑性を克服する。
論文 参考訳（メタデータ） (2023-05-08T13:51:48Z) - NP-Match: When Neural Processes meet Semi-Supervised Learning [133.009621275051]
半教師付き学習(SSL)は近年広く研究されており、ラベル付きデータへの依存を減らすためにラベル付きデータを活用する効果的な方法である。
本研究では,ニューラルネットワーク(NP)を半教師付き画像分類タスクに調整し,NP-Matchと呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2022-07-03T15:24:31Z) - Prioritizing Corners in OoD Detectors via Symbolic String Manipulation [0.0]
本稿では,OoDモニタを系統的にテストすることで,入力データポイントがモニタによる非配布としてテストされる場合を回避する。
トレーニングデータセットから学習した超矩形結合により特徴空間を特徴付ける「分布内」の定義を考察する。
トレーニングセット内のすべてのデータポイントから、BDDを使って、シンボル的に遠くのコーナーを抽出する方法を示します。
論文 参考訳（メタデータ） (2022-05-16T14:56:56Z) - Self-Supervised Neural Architecture Search for Imbalanced Datasets [129.3987858787811]
ニューラルアーキテクチャサーチ(NAS)は、アノテートラベル付きよく計算されたデータセットでトレーニングされた場合、最先端の結果を提供する。
a) アーキテクチャを決定するためにラベルを必要とせず、(b) データセットが不均衡であると仮定する自己管理シナリオに焦点を当てたNAS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） (2021-09-17T14:56:36Z) - Fundamental tradeoffs between memorization and robustness in random
features and neural tangent regimes [15.76663241036412]
モデルがトレーニングのごく一部を記憶している場合、そのソボレフ・セミノルムは低い有界であることを示す。
実験によって初めて、(iv)ミンノルム補間器の堅牢性における多重発色現象が明らかになった。
論文 参考訳（メタデータ） (2021-06-04T17:52:50Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2020-04-15T06:13:33Z)
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。