異常検知
メモ
高精度異常検知モデル「PaDiM」
metabaseでやおる
前処理が難しい
MVTeCっていうデータセット
セイレイのみから
物体の検出にはDETRが良さそう
FasterRCNNよりも良いらしい
「異常検知入門と手法まとめ」
Segment Any Anomaly without Training via Hybrid Prompt Regularization
異常検知
データマイニングによる異常検知の基礎と応用を修得する。
現実にデータがあふれ、ビッグデータの時代を迎えている。マーケティング、セキュリティ、インフラ系、生命科学、教育データ分析, 経済分析などの分野ではビッグデータから異常や変化を知ることにより、情報を活用することが重要になってきている。本稿では、そのような時代のニーズに沿った機械学習技術と、その基礎としての学習理論、また、これを応用する異常検知技術と実例について講義する。
１．異常検知の基礎的考え方
２．異常検知のための機械学習基礎
３．外れ値検知 （パターンに基づく方法）
距離に基づく方法
混合分布に基づく方法
主成分分析に基づく方法
外れ値の知識化
One class SVMに基づく方法
方向統計量に基づく方法
トラジェクトリー変化検知
応用（医療、ＳＮＳ，セキュリティ）
４．外れ値検知 （復元に基づく方法）
ＮＭＦに基づく方法
AutoEncoderに基づく方法
５．変化検知（突発的変化）
尤度比検定
二段階変化検知
ベイズに基づく方法
シミュレーションに基づく方法
ＭＤＬ変化統計量
ＭＤＬ変化統計量＋adaptive windowing
応用（システム障害検知、経済分析、教育分析）
６．変化予兆検知 （漸進的変化）
微分的ＭＤＬ変化統計量
応用（COVID-19感染拡大検知）
７．潜在構造変化/検知（突発的変化検知）
バースト変化検知
動的モデル選択
Switching 分布
Tracking the best expert
動的モデル選択
クラスタリング構造変化検知
ＭＤＬモデル変化統計量
８．潜在構造変化予兆検知（漸進的変化検知）
構造的エントロピー
カーネルコンプレキシティ
応用（マーケティング、行動データ分析、Syslog解析）
８．ネットワーク異常検知
スペクトラムに基づく方法
ネットワーク中心性に基づく方法
グラフ分割構造変化検知
階層的変化検知
応用（システム障害検知、経済分析）
異常検知と変化検知
オライリー
【異常検知】最近の研究動向・2023年夏
FastFlow
Pythonによる異常検知
0章 機械学習と異常検知
1章 機械学習と統計解析の基本モデル
2章 非時系列データにおける異常検知
3章 時系列データにおける異常検知
4章 真相学習による異常検知
産業用異常検知におけるサーベイ論文
MANTA: A Large-Scale Multi-View and Visual-Text Anomaly Detection Dataset for Tiny Objects
Dive into Time-Series Anomaly Detection: A Decade Review
A SAM-guided Two-stream Lightweight Model for Anomaly Detection
MIAD: A Maintenance Inspection Dataset for Unsupervised Anomaly Detection
3CAD: A Large-Scale Real-World 3C Product Dataset for Unsupervised Anomaly
MLPシリーズ 異常検知と変化検知
1章 異常検知・変化検知の基本的な考え方
2章 ホテリングのT^2法による異常検知
3章 単純ベイズ法による異常検知
4章 近傍法による異常検知
5章 混合分布モデルによる逐次更新型異常検知
6章 サポートベクトルデータ記述法による異常検知
7章 方向データの異常検知
8章 ガウス過程回帰による異常検知
9章 部分空間法による変化検知
10章 疎構造学習による異常検知
11章 密度比推定による異常検知
12章 密度比推定による変化検知
AnomalyCLIP
FiLo++: Zero-/Few-Shot Anomaly Detection by Fused Fine-Grained Descriptions and Deformable Localization
Grounded-Segment-Anything