검색 기능은 준비 중입니다.
검색 기능은 준비 중입니다.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Few-Shot Anomaly Detection Using Deep Generative Models for Grouped Data 그룹화된 데이터에 대한 심층 생성 모델을 사용한 퓨샷 이상 탐지

Kazuki SATO, Satoshi NAKATA, Takashi MATSUBARA, Kuniaki UEHARA

  • 조회수

    0

  • 이것을 인용

요약 :

산업계에서는 자동 이상 탐지에 대한 수요가 높습니다. 이상 현상은 거의 또는 전혀 나타나지 않는 샘플 그룹으로 정의되었습니다. 제품 유형에 따라 수많은 샘플을 수집하고 이상 탐지기를 훈련해야 합니다. 재고가 충분한 기존 유형의 제품으로 학습된 모델을 새로운 유형으로 전환하면 생산 라인이 구축되기 전에 새로운 유형의 이상을 감지할 수 있습니다. 그러나 이상현상의 정의로 인해 일반적인 이상현상 탐지기는 새로운 유형의 제품이 표준과 일치하더라도 이상현상으로 간주한다. 위의 실제 요구를 고려하여 본 연구에서는 소스 도메인에서 훈련된 이상 탐지기가 전체 재훈련 없이 소규모 대상 샘플 세트에 적용되는 새로운 문제 설정인 소수 샷 이상 탐지를 제안합니다. 그런 다음 딥러닝을 기반으로 한 계층적 확률 모델을 사용하여 이 문제를 해결합니다. 장난감 및 실제 데이터 세트에 대한 경험적 결과는 제안된 모델이 작은 대상 샘플 세트에서 이상 현상을 성공적으로 감지한다는 것을 보여줍니다.

발행
IEICE TRANSACTIONS on Information Vol.E105-D No.2 pp.436-440
발행일
2022/02/01
공개일
2021/10/25
온라인 ISSN
1745-1361
DOI
10.1587/transinf.2021EDL8063
원고의 종류
LETTER
범주
패턴 인식

작성자

Kazuki SATO
  Kobe University
Satoshi NAKATA
  Mitsubishi Chemical Systems, Inc.
Takashi MATSUBARA
  Osaka University
Kuniaki UEHARA
  Osaka Gakuin University

키워드