Унифицирующий обзор глубоких и поверхностных методов обнаружения аномалий
A Unifying Review of Deep and Shallow Anomaly Detection
2021-02-05
SCID: 54.1/pwbgssyq
Discuss with AI
обнаружение аномалийглубокое обучениеобъяснимое обнаружение аномалийодноклассовая классификациямелкие методы
Figures from the paper
Abstract (AI)
В последнее время методы глубокого обучения для обнаружения аномалий (AD) улучшили передовой уровень качества обнаружения на сложных наборах данных, таких как большие коллекции изображений или текстов. Эти результаты возродили интерес к проблеме обнаружения аномалий и привели к появлению большого разнообразия новых методов. В связи с возникновением многочисленных методов, включая подходы, основанные на генеративных моделях, классификации объектов одного класса и реконструкции, возрастает необходимость рассмотреть методы этой области в систематической и унифицированной перспективе. В данном обзоре мы стремимся выявить общие лежащие в основе принципы и допущения, которые различные методы часто используют неявно. В частности, мы устанавливаем связи между классическими «поверхностными» и новыми глубокими подходами и показываем, каким образом это взаимное влияние может способствовать развитию обоих направлений или расширять их возможности. Кроме того, мы проводим эмпирическую оценку основных существующих методов, обогащённую применением современных методов объяснимости, и приводим конкретные подробные примеры вместе с практическими рекомендациями. Наконец, мы описываем ключевые нерешённые проблемы и определяем конкретные направления дальнейших исследований в области обнаружения аномалий.
Key Findings
1
Глубокое обучение недавно повысило эффективность обнаружения аномалий на сложных наборах данных, включая крупные коллекции изображений и текстов.
2
Работа устанавливает концептуальные связи между классическими поверхностными и современными глубокими подходами к обнаружению аномалий, предлагая возможности их взаимного развития.
3
Работа определяет ключевые нерешённые проблемы и предлагает конкретные направления будущих исследований в области обнаружения аномалий.
4
В обзоре проводится эмпирическая оценка основных методов обнаружения аномалий с использованием современных методов объяснимости, подробных примеров и практических рекомендаций.
5
Обзор объединяет методы на основе генеративных моделей, классификации одного класса и реконструкции, выявляя их общие принципы и неявные предположения.
Research Object
Глубокие и неглубокие методы обнаружения аномалий для сложных наборов данных
Research Subject
Основополагающие принципы, неявные предположения, взаимосвязи, эмпирическая эффективность и объяснимость методов обнаружения аномалий
Publication Details
Publication Date
2021-02-05
Journal
Publisher
ISSN
Cited by
1079
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai20
Глубокое остаточное обучение для распознавания изображений2016
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
Очень глубокие сверточные сети для масштабного распознавания изображений2014
Adam: метод стохастической оптимизации2014
Scikit-learn: машинное обучение на Python2012
ImageNet: крупномасштабная иерархическая база изображений2009
PyTorch: библиотека глубокого обучения с императивным стилем программирования и высокой производительностью2019
Почему я должен вам доверять?2016
Обучение представлений фраз с использованием RNN энкодер–декодера для статистического машинного перевода2014
Статистическая теория обучения1999
Распределённые представления слов и фраз и их композиционность2013
Нейронные сети и физические системы с возникающими коллективными вычислительными способностями.1982
Распознавание образов и машинное обучение2007
Снижение размерности данных с помощью нейронных сетей2006
Обучение представлений: обзор и новые перспективы2013
Обнаружение аномалий2009
Интригующие свойства нейронных сетей2013
Элементы статистического обучения: добыча данных, вывод и предсказание2010
Обогащение векторов слов информацией о субсловах2017
Глубокие нейронные сети для акустического моделирования в распознавании речи: общее мнение четырёх исследовательских групп2012