抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
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】