擬似異常を用いた敵対的に学んだ1クラス新規性検出の安定化【JST・京大機械翻訳】

Zaheer Muhammad Zaigham; Lee Jin Ha; Mahmood Arif; Astrid Marcella; Lee Seung-Ik

プレプリント

J-GLOBAL ID：202202218755759821 整理番号：22P0310366

擬似異常を用いた敵対的に学んだ1クラス新規性検出の安定化【JST・京大機械翻訳】

Stabilizing Adversarially Learned One-Class Novelty Detection Using Pseudo Anomalies

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年03月25日プレプリントサーバーでの情報更新日： 2022年03月25日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

最近,異常スコアを,敵対的に学習した発電機の再構成損失および/または識別器の分類損失を用いて定式化した。訓練データにおける異常例の有用性は,そのようなネットワークの最適化を困難にする。敵対訓練により,そのようなモデルの性能は各訓練ステップで劇的に変動し,最適点における訓練を停止するのを困難にする。本研究では,実際のvs.fakeデータを同定し,良好な対悪い品質再構成を識別するため,識別子の基本的役割を変換することにより,このような不安定性を克服するロバストな異常検出フレームワークを提案した。この目的のために,同じ発電機の古い状態と同様に電流状態を利用する方法を提案し,良質で悪い品質再構成例を作成した。識別器は,異常データの再構成にしばしば存在する微妙な歪みを検出するために,これらの事例で訓練される。さらに,このモデルの訓練を停止する効率的な一般的基準を提案し,高い性能を保証した。画像とビデオベースの異常検出,医療診断,およびネットワークセキュリティを含む複数のドメインにわたる6つのデータセットに関して行われた大規模な実験は,著者らのアプローチの優れた性能を示した。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

パターン認識 , データ保護

, , , ,

前のページに戻る