文献

J-GLOBAL ID：202202238650199972   整理番号：22A0310981

敵対表現学習による汚染データのためのエンドツーエンド異常スコア推定【JST・京大機械翻訳】

End-to-End Anomaly Score Estimation for Contaminated Data via Adversarial Representation Learning

著者 (3件)： Li Daoming (Department of Automation, Tsinghua University, Beijing, China) ,  Liu Jiahao (Department of Automation, Tsinghua University, Beijing, China) ,  Wang Huangang (Department of Automation, Tsinghua University, Beijing, China)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 13069  ページ： 700-711  発行年： 2022年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 近年,深層学習は異常検出の分野で広く用いられている。既存の深い異常検出法は,主にデータの本質を表す特徴表現の抽出に焦点を合わせ,次に学習表現に基づく異常検出モデルを構築する。これらの間接的方法は,しばしば学習された異常スコアを最適にする。同時に,多くの実際の問題において,訓練セットは,通常,不要なラベルノイズによって混合して,汚染データに関して訓練したモデルは,検出性能を危険にさらした。上記の問題に応じて,ARL-RADと呼ばれる汚染データのための新しいロバスト異常検出法を提案した。ARL-RADは異常検出と敵対的表現学習を結合して,それは異常スコアエンドツーエンドを直接最適化することができた。訓練セットに異常があると考えて,ARL-RADは,敵対的訓練機構に基づく潜在空間において,本質的情報保存と事前分布制約を達成するために,オートエンコーダと識別子を活用する。さらに,ARL-RADは,入力データの確率的記述と幾何学的構造によって訓練段階で擬似ラベルを動的に更新する擬似ラベル調整戦略を提案する。汚染データに対するモデルのロバスト性を強化するために,擬似ラベルによる入力を,異常スコア推定器を訓練するための監視情報として使用でき,異常スコアを直接最適化することができた。4つのベンチマークデータセットに関する実験結果は,提案方法がより良い異常検出結果を得て,汚染データに対してよりロバストであることを検証した。Copyright Springer Nature Switzerland AG 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 検出 ,  最適化 ,  雑音 ,  *表現 ,  *学習 ,  データ ,  *異常 ,  情報蓄積 ,  *エンドツーエンド方式 ,  ベンチマーク ,  ロバスト性
準シソーラス用語： 異常検出 ,  識別子 ,  入力データ ,  特徴表現 ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (3件)： ロバストな異常検出 ,  敵対的表現学習 ,  エンドツーエンド

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 敵対 ,  表現学習 ,  汚染 ,  エンドツーエンド ,  スコア ,  推定