Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
Memorizing Normality to Detect Anomaly: Memory-...
Search
Masanori YANO
August 02, 2019
Science
0
600
Memorizing Normality to Detect Anomaly: Memory-augmented Deep Autoencoder for Unsupervised Anomaly Detection
論文LT会で作成した「Memorizing Normality to Detect Anomaly」の説明資料です。
Masanori YANO
August 02, 2019
Tweet
Share
More Decks by Masanori YANO
See All by Masanori YANO
Novelty Detection Via Blurring
msnr
0
450
Y-Net: Joint Segmentation and Classification for Diagnosis of Breast Biopsy Images
msnr
0
520
Pyramid-Based Fully Convolutional Networks for Cell Segmentation
msnr
0
490
Free-Form Image Inpainting with Gated Convolution
msnr
0
920
Move Evaluation in Go Using Deep Convolutional Neural Networks
msnr
1
790
AlphaX: eXploring Neural Architectures with Deep Neural Networks and Monte Carlo Tree Search
msnr
0
1.1k
Towards Understanding Chinese Checkers with Heuristics, Monte Carlo Tree Search, and Deep Reinforcement Learning
msnr
0
440
SRCNN: Image Super Resolution Using CNN
msnr
0
560
One-Class Convolutional Neural Network
msnr
0
1.2k
Other Decks in Science
See All in Science
小杉考司(専修大学)
kosugitti
2
560
All-in-One Bioinformatics Platform Realized with Snowflake ~ From In Silico Drug Discovery, Disease Variant Analysis, to Single-Cell RNA-seq
ktatsuya
0
230
はじめてのバックドア基準:あるいは、重回帰分析の偏回帰係数を因果効果の推定値として解釈してよいのか問題
takehikoihayashi
2
740
ほたるのひかり/RayTracingCamp10
kugimasa
0
210
Презентация программы магистратуры СПбГУ "Искусственный интеллект и наука о данных"
dscs
0
390
WeMeet Group - 採用資料
wemeet
0
3.3k
Online Feedback Optimization
floriandoerfler
0
300
Coqで選択公理を形式化してみた
soukouki
0
200
マテリアルズ・インフォマティクスの先端で起きていること / What's Happening at the Cutting Edge of Materials Informatics
snhryt
1
130
最適化超入門
tkm2261
14
3.3k
Causal discovery based on non-Gaussianity and nonlinearity
sshimizu2006
0
190
構造設計のための3D生成AI-最新の取り組みと今後の展開-
kojinishiguchi
0
560
Featured
See All Featured
ピンチをチャンスに:未来をつくるプロダクトロードマップ #pmconf2020
aki_iinuma
109
49k
A better future with KSS
kneath
238
17k
Docker and Python
trallard
40
3.1k
Fontdeck: Realign not Redesign
paulrobertlloyd
82
5.2k
I Don’t Have Time: Getting Over the Fear to Launch Your Podcast
jcasabona
28
2k
Principles of Awesome APIs and How to Build Them.
keavy
126
17k
YesSQL, Process and Tooling at Scale
rocio
169
14k
VelocityConf: Rendering Performance Case Studies
addyosmani
325
24k
The Cost Of JavaScript in 2023
addyosmani
45
6.8k
Large-scale JavaScript Application Architecture
addyosmani
510
110k
It's Worth the Effort
3n
183
27k
Performance Is Good for Brains [We Love Speed 2024]
tammyeverts
6
410
Transcript
画像処理&機械学習 論文LT会 #6 Memorizing Normality to Detect Anomaly: Memory-augmented Deep
Autoencoder for Unsupervised Anomaly Detection 2019年8月2日(金) 矢農 正紀 (Masanori YANO)
論文 2 Memorizing Normality to Detect Anomaly: Memory-augmented Deep Autoencoder
for Unsupervised Anomaly Detection 論文のURL: https://arxiv.org/abs/1904.02639 First Author: https://donggong1.github.io/ ⇒ 異常検知の論文で、ICCV 2019に採択されたとのこと 著者の所属は、オーストラリアのアデレード大学など 選んだ理由 ・CNNを活用した「異常検知」関連のタスクに関心あり ・Attentionが流行りだが、それ以上にMemoryに関心あり (Memory NetworksやNeural Turing Machinesの方向性) ・arXivを検索したら、異常検知+Memoryの本論文を発見
異常検知とは 3 画像や、時系列データなどから自動的に異常を検出 ・異常(Anomaly): 教師データの分布から逸脱したパターン ・新規性(Novelty): 既存の教師データに含まれないパターン ⇒ 「異常 ⊆
新規性」の関係 学習の種類で分類可能 ・教師あり学習 ⇒ 異常検知では、あまり考えられない状況 ・半教師あり学習 ⇒ わずかしかない教師データが問題 ・教師なし学習 ⇒ 一般に、教師あり/半教師ありより難しい 深層学習の進展以降も、さまざまな手法が開発 ⇒ 「深層学習の異常検知サーベイ」論文も発表済み Deep Learning for Anomaly Detection: A Survey 論文のURL: https://arxiv.org/abs/1901.03407
本論文のポイント 4 Autoencoderの中間にAttentionベースのMemory ・学習時に、重み・バイアスとともにMemoryを更新 ・推論時は、Memoryを固定 ⇒ データの「暗記」内容 ・Memory参照の重みは、エンコーダ出力と各Memoryとの コサイン類似度を全て計算し、それらのSoftmaxで算出 ・Hard
Shrinkageと呼ぶ「スパース化」を実施(後述)
本論文の評価結果(1/2) 5 複数のデータセットで評価(Memory関連の評価も) [1] MNIST・CIFAR-10 [2] 動画の異常検知データセット UCSD-Ped2・CHUK Avenue・ShanghaiTech [3]
サイバーセキュリティのデータセット KDDCUP ⇒ 全てのデータセットで、比較対象の方式よりも高い精度 UCSD-Ped2データセットのときの再構成誤差の例(Frameの赤枠が異常)
本論文の評価結果(2/2) 6 評価のうち「動画の異常検知データセット」の結果 [1] MemAE: 提案方式(動画のときは3次元のCNN) [2] MemAE-nonSpar: Memory参照のスパース化「なし」 ⇒
スパース化: 閾値λ以下を0に(ReLuを活用して実装)
まとめ 7 本論文は、Memoryを用いたAutoencoder異常検知 ・損失関数は再構成誤差とMemory参照重みのエントロピー ・汎用性が高いと主張し、複数のデータセットで検証済み ・今後は、より挑戦的なタスクへのMemoryの適用を検討 ・論文に「PyTorchで実装」とあるが(現在のところ)未公開 GitHub: https://github.com/donggong1/memae-anomaly-detection 所感
・個人的には、VAEによる異常検知より「行けそう」な予感 ・一方、GANを用いた手法との性能比較は記載がなく未知数 ・実際のデータで動かした場合の性能は、今後の確認事項 α = 0.0002で評価