Weitere ähnliche Inhalte
Mehr von Deep Learning JP (20)
Kürzlich hochgeladen (12)
[DL輪読会]Deep Learning for Anomaly Detection: A Survey
- 2. • ��D
– ����������������������
• ����������������������������������������������������������������������������
– �������������
• �����������������������������������������������
• �������
– �������������������������������R���������
�����Rha
2
- 14. • ��
– �������������������
���
– ������������������������
�������������������������
��������������
– �������������������
����������������
• ��
– �������������������
�������������������
�������������������
���
– ����������������������
������������������� 14
- 15. One-Class (OC-NN)
• �������������������������������������������������
– ������������������������a���
– ����������������a������������������������
��a��������a���
– ��������������������������a��������������
��������������a�������������������������
��a���
– �����������������������������������
������������
• ������������������������������������������������
– ���������������a�������������������������
������������������������������
– �������������a���������������������
�a�����������
15
- 16. • ��
– �������������������C������������C��
��
– ���������������C��������
– �����I������C���������I��������������������C
����������������������
• ��
– ��������������������C�����������
– ������������
– �������������I��C������������������
������������
16
- 17. /
メメリリッットト デデメメリリッットト
教師あり深層異常検知 • 半教師ありや教師なしに比べ性能が良い
傾向がある
• テスト予測の処理が早い(訓練済みのモ
デルに対して比較するだけ)
• 分類するクラスの正確な教師情報が必要
(異常検知では手に入りにくい)
• 特徴量があまりに高次元で、非線形の場
合は正確に分類できない場合がある
半教師あり深層異常検知 • GANがかなり少ないデータでも半教師あ
りで成果を上げている
• 教師情報を利用することで教師なしに比
べ性能がかなり向上する
• 過学習となりやすい
ハイブリッド深層異常検知 • 高次元のデータを扱う際に、”次元の呪
い”に陥るリスクを削減できる
• 従来モデルは次元削減後のデータを扱う
ので、スケールしやすく、計算的効率も
良い
• 異常検知のために特徴量抽出した情報で
はなく、一般的な特徴量表現情報を用い
るので最初の選択肢とはなりにくい
1クラスニューラルネットワーク異常検知 • 高次元データでは訓練時間が長くなる
教師無し深層異常検知 • アノテートがいらないので、コストがか
からない
• 複雑で高次元の場合、特徴量を学習する
のが難しい場合がある
• Autoencoderなど次元圧縮系の手法は良い
結果を得るためにチューニングが必要
• ノイズに弱い
• 教師ありや半教師ありに比べて精度が下
がる
17
- 29. • ��
– �����������������������
– �������������������������������
����IL��
• ��
– ��������������
– ����������������������
– ����������������IL��������
���������
• �
– �����������������������
• ����V�������������������������
��������
– �������������������������������������������������
����������������������������������������
�����������
• ���������������������������
������L������������������
• ������������������L��
29
- 32. • �������������
– �����������������������������������������
������
– �����������������������������������
��
– ����������������������������������������������������
• �����������L���������������������������������
����������������������LOC
• ��������������
– �������������������������������������
– �����������������������������������������������������������������������
���� ������������������������������
• �����������������������������������������������
������������L�����C 32