Gumbel 噪声得分匹配进行的异常检测
我们提出了一种新颖的视频异常检测方法:将从视频中提取的特征向量视为固定分布的随机变量的实现,并用神经网络对该分布进行建模,以便估计测试视频的可能性并通过阈值法检测视频异常。我们使用一种改进的去噪得分匹配方法来训练视频异常检测器,该方法通过向训练数据注入噪声来便于模型其分布。为了消除超参数选择,我们对不同噪声水平下的噪声视频特征的分布进行建模,并引入一种倾向于使不同噪声水平的模型保持一致的正则化器。在测试时,我们使用高斯混合模型将多个噪声尺度下的异常指示组合起来。我们的视频异常检测器运行时延最小,因为推理仅需要提取特征并将其通过浅层神经网络和高斯混合模型进行前向传播。我们对五个常用视频异常检测基准进行的实验表明,在面向对象和面向帧的设置下,我们的方法表现卓越。
Mar, 2024
提出了一种新颖的训练基于分数的生成模型的方法,通过非线性加噪动力学改进结构化分布的学习,从而使其更好地适应数据,在数据预处理步骤中获取结构并引入了两种方法解决非线性动力学训练带来的挑战,展示了该方法在几个示例上的有效性。
May, 2024
通过 Denoising Likelihood Score Matching(DLSM)损失函数的训练,我们可以解决已有条件分数数据生成方法中分类器训练目标会导致分数不匹配的问题,从而更准确地建模条件分数并缓解这个问题。在 Cifar-10 和 Cifar-100 基准测试中,实验结果表明提议的方法在多个关键评估指标上优于以前的方法。
Mar, 2022
通过分析神经网络的数学框架和得分匹配与回归分析之间的创新连接,本文提出了第一次得分函数学习的一般化误差(样本复杂性)边界,从而克服了观测值中存在噪声的问题。
Jan, 2024
提出了一种新的非参数自适应异常检测算法,它基于从 $n$ 点名义数据最近邻图推导出的得分函数。该算法适用于高维数据集,可以在不需要选择复杂的调整参数或函数逼近类别的前提下自适应地适应局部结构,如维度局部变换。
Oct, 2009
基于高斯 - 伯努利受限玻尔兹曼机的异常检测中,通过基于累积分布的可解释度测量,提出了用于设置分类阈值的准则。同时,通过模拟退火方法对最小得分进行评估,验证了该评估方法的可行性。
Mar, 2024
本文提出了两种改进 Denosing Score Matching with Annealed Langevin Sampling(DSM-ALS)的技术:1)一致退火采样,作为比退火采样更稳定的替代方案,2)混合训练,由去噪分数匹配和对抗目标组成。通过这两种技术的结合,本文得到了与 CIFAR-10 图像生成的最新成果相当的结果。
Sep, 2020
生成对抗网络(GAN)的数学基础不足以解决复杂多样数据的学习问题,通过引入分数匹配(score matching)的正则化优化方法(SMaRt),在各种现实世界数据集上提高了各种最新 GAN 的综合性能。
Nov, 2023
分析使用得分为基础的生成模型在学习一类亚高斯概率分布时的近似和概括性,介绍了相对于标准高斯测度的概率分布的复杂性概念,证明了通过经验得分匹配生成的分布以维度无关的速率近似目标分布。通过包括某些高斯混合的示例说明了理论,证明中的一个基本要素是导出与正向过程相关的真实得分函数的无维度深度神经网络逼近速率,独立成趣。
Feb, 2024
通过对闭式评分函数进行平滑处理,我们提出了一种无须训练即可生成新样本的 SGM 模型,并提出了一种高效的基于最近邻的评分函数估计器,使得我们的方法在使用消费级 CPU 运行时具有与神经 SGMs 相竞争的采样速度。
Oct, 2023