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
iclr2020deepsemi-supervisedanomalydetectionyama...
Search
Yamato.OKAMOTO
June 14, 2020
Technology
0
110
iclr2020deepsemi-supervisedanomalydetectionyamatookamoto-200531022507.pdf
Yamato.OKAMOTO
June 14, 2020
Tweet
Share
More Decks by Yamato.OKAMOTO
See All by Yamato.OKAMOTO
いまAI組織が求める企画開発エンジニアとは?
roadroller
2
1.4k
Slide ICCV2023 Constructing Image Text Pair Dataset from Books
roadroller
0
69
第11回 全日本コンピュータビジョン勉強会 CVPR2022 "A Self-Supervised Descriptor for Image Copy Detection"
roadroller
0
570
第9回 全日本コンピュータビジョン勉強会 発表資料
roadroller
0
580
第七回全日本コンピュータビジョン勉強会 A Multiplexed Network for End-to-End, Multilingual OCR
roadroller
1
910
部下のマネジメントはAI開発に学べ
roadroller
0
120
Domain Generalization via Model-Agnostic Learning of Semantic Features NeurIPS’19 読み会 in 京都
roadroller
0
220
ICML’2019 読み会in京都 Federated Learningの研究動向
roadroller
0
69
CVPR2019@Long Beach 参加速報(本会議)
roadroller
0
98
Other Decks in Technology
See All in Technology
Datadog APM におけるトレース収集の流れ及び Retention Filters のはなし / datadog-apm-trace-retention-filters
k6s4i53rx
0
330
技術負債の「予兆検知」と「状況異変」のススメ / Technology Dept
i35_267
1
1.1k
OpenID Connect for Identity Assurance の概要と翻訳版のご紹介 / 20250219-BizDay17-OIDC4IDA-Intro
oidfj
0
270
【Developers Summit 2025】プロダクトエンジニアから学ぶ、 ユーザーにより高い価値を届ける技術
niwatakeru
2
1.4k
組織貢献をするフリーランスエンジニアという生き方
n_takehata
1
1.3k
白金鉱業Meetup Vol.17_あるデータサイエンティストのデータマネジメントとの向き合い方
brainpadpr
5
720
30分でわかる『アジャイルデータモデリング』
hanon52_
9
2.6k
トラシューアニマルになろう ~開発者だからこそできる、安定したサービス作りの秘訣~
jacopen
2
2k
ユーザーストーリーマッピングから始めるアジャイルチームと並走するQA / Starting QA with User Story Mapping
katawara
0
200
偶然 × 行動で人生の可能性を広げよう / Serendipity × Action: Discover Your Possibilities
ar_tama
1
1.1k
Building Products in the LLM Era
ymatsuwitter
10
5.4k
飲食店予約台帳を支えるインタラクティブ UI 設計と実装
siropaca
7
1.7k
Featured
See All Featured
Chrome DevTools: State of the Union 2024 - Debugging React & Beyond
addyosmani
4
330
The Myth of the Modular Monolith - Day 2 Keynote - Rails World 2024
eileencodes
21
2.5k
Visualization
eitanlees
146
15k
[Rails World 2023 - Day 1 Closing Keynote] - The Magic of Rails
eileencodes
33
2.1k
The Language of Interfaces
destraynor
156
24k
Let's Do A Bunch of Simple Stuff to Make Websites Faster
chriscoyier
507
140k
Bootstrapping a Software Product
garrettdimon
PRO
306
110k
We Have a Design System, Now What?
morganepeng
51
7.4k
Fontdeck: Realign not Redesign
paulrobertlloyd
83
5.4k
Understanding Cognitive Biases in Performance Measurement
bluesmoon
27
1.6k
Refactoring Trust on Your Teams (GOTO; Chicago 2020)
rmw
33
2.8k
Helping Users Find Their Own Way: Creating Modern Search Experiences
danielanewman
29
2.4k
Transcript
2020/6/14 Yamato OKAMOTO ICLRΦϯϥΠϯಡΈձ Deep Semi-supervised Anomaly Detection
ࣗݾհʢ͘!!ʣ ɹԬຊେʢ͓͔ͱ·ͱʣ • ژେֶඒೱݚڀࣨͰύλʔϯೝࣝΛݚڀͯ͠म࢜՝ఔमྃ • ΦϜϩϯͰ৽نࣄۀΛܦݧޙɺ͍·ࣾձγεςϜࣄۀ෦ͷݚڀॴϦʔμʔ • ເژΛϙετɾγϦίϯόϨʔʹ͢Δ͜ͱɺؔͷίϛϡχςΟΛڧԽ͍ͨ͠ ɹ㱺 ژͷมਓύϫʔΛੈքʹΒ͠Ί͍ͨ
Twitter : RoadRoller_DESU ҆৺҆શͳࣾձͷ࣮ݱʹ͚ͯɺ ࠷ۙ Anomaly Detection ʹڵຯΞϦ
Anomaly Detection ͋Δ͋Δ ఆٛࠔ • ҟৗʹ༷ʑͳόϦΤʔγϣϯ͕͋Δ • ҟৗݕग़͍͚ͨ͠ͲʮWhat is ҟৗʁʯ͕ఆٛͰ͖ͳ͍
ֶशσʔλ͕ೖखࠔ • ҟৗ໓ଟʹൃੜ͠ͳ͍ʢ※ සൟʹൃੜ͢ΔΠϕϯτҟৗ͡Όͳ༷ͯ͘ʣ • ѹతʹҟৗσʔλ͕ෆͯ͠ػցֶश͕ࠔ ैདྷख๏ɿਖ਼ৗΛఆٛ͢Δ • ʮWhat is ҟৗʁʯͷఆٛΛఘΊΔɺҟৗσʔλͷֶशఘΊΔ • ͦͷΘΓʮWhat is ਖ਼ৗʁʯͷఆٛΛֶशͯ͠ɺʮNot ਖ਼ৗʯΛҟৗͱఆ͢Δ
Anomaly Detection ͷैདྷݚڀ Deep One-Class Classification (ICML’18) • ਖ਼ৗσʔλͷΈΛ༻͍ͯɺClassifierͳΓAutoEncoderͳΓΛैདྷ௨Γʹֶश •
͜ͷͱ͖ɺಛྔ͕࣍ݩ෦ۭؒʹऩଋ͢ΔΑ͏LOSSΛՃ͑Δ • ਖ਼ৗσʔλͳΒٿʹ͢ΔͣͳͷͰɺٿ͔Β֎ΕͨσʔλΛҟৗͱఆ͢Δ ୈҰ߲ʹΑͬͯٿʹ͕ԡ͠ࠐ·ΕΔ cɿ ٿͷத৺ʢͨͩ͠≠0ʣ nɿֶश͢Δਖ਼ৗσʔλͷ
Anomaly Detection ͷධՁ؍ ͲΕ͚ͩਖ਼֬ʹҟৗΛݕͰ͖͔ͨʁ • ਖ਼ৗσʔλΛਖ਼ৗͱఆͯ͠ɺҟৗσʔλΛҟৗͱఆ͢Δਫ਼ ԼྲྀλεΫΛअຐ͠ͳ͍͔ʁ • ԼྲྀλεΫ͕͋Δ߹ɺҟৗݕػೳͷՃʹΑͬͯѱӨڹ͕ͳ͍͔Ͳ͏͔ •
ྫ͑ɺ10ΫϥεͷࣈࣝผثʹɺਤܗͳͲࣈҎ֎͕ೖྗ͞Εͨͱ͖ҟৗͱఆ͢Δػ ೳΛ͚Ճ͍͑ͨͤͰɺैདྷͷ10Ϋϥεࣝผੑೳ͕Լ͢ΔͱࠔΔ ad-hoc͔post-hoc͔ʁ • ҟৗݕ͢ΔͨΊʹϞσϧߏֶशํ๏·Ͱม͑Δඞཁ͕͋Δ͔ʁ • ·ͨɺLOSSΛޙ͔Β͚͚̍ͭͩͯ͠Ճֶश͢Δ͚ͩͰOK͔ʁ • ͲͪΒ͕ྑ͍ѱ͍ͳͲҰ֓ʹݴ͑ͳ͍͕ɺpost-hocͷํ͕ѻ͍͍͢ɻ
հจͷ֓ཁ ʮSemi-supervisedʹֶश͠Α͏ʂʯ Anomaly Detection ͷݚڀUnsupervised͕ओྲྀͷΑ͏ͩ Ͱɺֶश༻ͷҟৗσʔλ͕ೖखࠔͩͱͯ͠ɺ ӡ༻Λଓ͚ͯͨΒҟৗσʔλʹ͍ͣΕग़ձ͏ͣ ͳΒɺͦΕΒগྔͷҟৗσʔλΛͬͯɺ Semi-supervisedʹֶशͨ͠ํ͕ྑ͍ͷͰʁ ※Semi-supervisedͷAnomaly
Detectionݚڀඇৗʹগͳ͍
ఏҊख๏ ʮLOSSʹ߲Λ̍ͭՃ͠·ͨ͠ʯ Deep One-Class Classification (ICML’18) ͷLOSSʹSemi-supervisedͷ߲Λ̍ͭՃ • ࣮ಉ͡ஶऀͰͨ͠ɻࣗͷݚڀΛࣗͰΞοϓσʔτͨ͠ܗʹͳΔɻ ͠ҟৗσʔλʹग़ձͬͨΒɺ
ٿͷ֎ଆʹߦ͘Α͏ֶश͢Δ mɿsemi-supervisedʹֶश͢Δσʔλ yj ɿਖ਼ৗorҟৗͷϥϕϧ
࣮ݧ݁Ռ ॎ࣠ɿҟৗσʔλͷݕग़ੑೳ ʢHigher is Betterʣ Unsupervised Semi-supervised ԣ࣠ɿSemi-supervisedͰڭࢣ͖ͷҟৗσʔλΛֶशׂͨ͠߹ ఏҊख๏ MNISTɺFashion-MNISTɺCIFAR-10ͷσʔληοτͰධՁ
• ̍Ϋϥεͱਖ਼ৗͱఆٛͯ͠ɺAutoEncoderʴఏҊख๏ͰಛྔදݱΛֶश • Γͷ̕ΫϥεΛೖྗͨ͠ͱ͖ɺҟৗͱఆͰ͖Δ͔Ͳ͏͔ධՁ ੑೳվળΛ֬ೝ
·ͱΊͱߟ ਂֶशʹΑΔ Semi-supervised ͳ Anomaly Detection ख๏ΛఏҊ • ॳΊͯͰͳ͍ͱࢥ͏͕ɺਂֶशʹΑΔAnomaly DetectionͰsemi-supervised͍͠
• ͔ͨ͠ʹࣾձ࣮Λߟ͑Δͱɺ͜ͷઃఆద • ख๏γϯϓϧͰɺpost-hocͳͷͰѻ͍͍͢ • ࠓճԼྲྀλεΫ͕AE͕ͩͬͨɺClassificationͩͱͲ͏ͳΔ͔ʁ • Anomaly DetectionͷධՁσʔληοτͬͯଞʹͳ͍ͷ͔ͳɺɺɺɺ ʢ͍ͭ·ͰMNISTʹΑΔධՁ͕ଓ͘ͷͩΖ͏͔ʣ