GrayとBlack Swansの両方の捕獲:オープンセット教師付き異常検出【JST・京大機械翻訳】

Ding Choubo; Pang Guansong; Shen Chunhua

プレプリント

J-GLOBAL ID：202202219539246930 整理番号：22P0311156

GrayとBlack Swansの両方の捕獲:オープンセット教師付き異常検出【JST・京大機械翻訳】

Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection

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 (3件)： , ,
資料名：
発行年： 2022年03月28日プレプリントサーバーでの情報更新日： 2022年03月28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)

ほとんどの既存の異常検出研究は,通常の訓練サンプルのみのアベイラビリティを仮定しているが,いくつかのラベル付き異常例は,ランダム品質検査中に同定された欠陥サンプル,日常医療スクリーニングにおける放射線科医によって確認される病変画像など,多くの実世界アプリケーションにおいてしばしば利用可能である。これらの異常例は,応用特異的異常に関する貴重な知識を提供し,いくつかの最近のモデルにおける類似の異常の検出を著しく改善する。しかし,訓練中に見られたこれらの異常は,異常のあらゆる可能なクラスをしばしば説明せず,これらのモデルを,非セエンスクラスに一般化するのに無効にする。本論文では,オープンセット教師つき異常検出に取り組んだが,ここでは,異常例を用いて検出モデルを学習し,異常例(ΔΣgray swans’)と非seen異常(ΔΣ Swans’)の両方を検出した。観測された異常,擬似異常,および潜在残留異常(すなわち,潜在空間における正常データと比較して異常な残差を持つサンプル)によって例証された異常の解きほぐ表現を学習する新しいアプローチを提案し,最後の2つの異常は,非Seな異常を検出するように設計された。9つの実世界異常検出データセットに関する広範な実験は,多様な設定の下で見た見えない異常の検出において,著者らのモデルの優れた性能を示した。コードとデータはhttps://github.com/choubo/DRAで利用可能である。【JST・京大機械翻訳】

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

パターン認識 , 人工知能

, , ,

前のページに戻る