- 在线自适应异常检测用于飞机装配中的缺陷识别
在线自适应异常检测利用转移学习,选择视觉上相似的训练图像,并根据训练子集提取的 EfficientNet 特征在线拟合一个正常模型,通过计算测试图像特征与正常模型之间的马氏距离来进行异常检测,实验结果表明检测精度超过 0.975,优于现有的 - 机器图书馆:真的只需要保留一套信息吗?利用非分布图像恢复未学习模型的性能
本文介绍了 Selective-distillation for Class and Architecture-agnostic unleaRning (SCAR),这是一种新的近似遗忘方法。SCAR 可以高效地消除特定信息,同时保持模型的 - 基于动态阈值的卷积自编码器实时异常检测
创新的混合建模方法结合统计学和卷积自编码器,利用动态阈值(基于马氏距离和移动平均)检测实时智能计量系统中的异常,从而提供早期预警,以预防灾难并在经济上受益于组织和消费者。
- 有限配对偏好比较的度量学习
度量学习、偏好比较、理想点模型、马氏距离、低维结构
- 每个数据点泄漏了多少隐私?量化数据成员泄漏程度
我们研究了每个数据成员的成员推断攻击(MIAs),攻击者旨在推断固定目标数据是否包含在算法的输入数据集中,并因此侵犯了隐私。我们定义了数据成员的成员泄漏,将其量化为最优对手识别的优势,并显示它取决于目标数据和数据生成分布之间的马氏距离。我们 - 自动驾驶数据集上的离群样本检测性能评估
通过应用基于最可能的类条件高斯分布的 Mahalanobis 距离作为 OOD 分数来评估拒绝语义分割 DNN 的输出,该研究发现即使在未知数据集上应用,也可以显著降低分类风险,但会以像素覆盖率为代价。这些发现的适用性将有助于合法化安全措施 - 深度形状纹理统计完全盲目图像质量评估
利用深度特征和形状 - 纹理自适应融合的方法,通过内外形状 - 纹理统计间的变量马氏距离量化感知质量,在人工和真实图像畸变上取得了最先进的质量预测性能。
- 推进人员识别:基于张量的特征融合和多线性子空间学习
本文提出了一个新颖的人物再识别系统,它结合了张量特征表示和多线性子空间学习。该方法利用预训练的卷积神经网络作为强大的深度特征提取器,结合局部最大出现(LOMO)和高斯特征(GOG)两种互补描述符。然后,使用基于张量的跨视图二次判别分析(TX - 通过张量特征融合提升人物重识别
本文提出了一种基于张量特征表示和多线性子空间学习的新型个人再识别(PRe-ID)系统,该方法利用预训练的 CNN 进行高级特征提取,结合局部极大出现(LOMO)和高斯之高斯(GOG)描述符。此外,使用跨视图二次判别分析(TXQDA)算法进行 - 关于回归斯克有主成分分析和普通最小二乘法的关系的研究
这篇研究论文主要讨论了偏最小二乘(PLS)方法及其在标量回归问题中的应用,分析了由 PLS 得到的回归系数向量与普通最小二乘(OLS)方法得到的回归系数向量之间的距离,提供了该距离的上界并展示了其与回归因子协方差矩阵特征值分组数之间的关系。
- 感知调整查询和逆测量范式用于低秩度度量学习
引入一种新的查询机制,称为感知调整查询(PAQ),用于收集人类反馈,通过在度量学习问题中应用 PAQ,学习未知的马哈拉诺比斯距离,产生了一个高维低秩矩阵估计问题,以及为此估计器提供样本复杂度保证
- 使用马氏距离的神经网络在医学影像中用于外部数据检测
通过使用合成物件来模拟 OOD 模式,本文展示了应用马氏距离的最佳层取决于 OOD 模式的类型,没有一种一刀切的解决方案。本文还表明将 OOD 检测器分为网络的不同深度可以增强对不同 OOD 模式的鲁棒性。这些结果对于使用马氏距离进行 OO - 医学图像分割中维度降低以改善超出分布检测
通过使用马氏距离后处理肝脏磁共振成像的 Swin UNETR 模型的瓶颈特征,通过主成分分析降低瓶颈特征的维度,高效且计算负载最小地检测到了分布外的图像。
- 多元高斯图像异常检测可视化
本文介绍了 PaDiM 方法的简化,使用单变量高斯分布拟合从卷积神经网络中提取的特征向量,将它们的马氏距离作为异常值评分,并通过执行白化转换生成能够可视化 MVG 学到特征的热图,MVTec-AD 数据集的实验结果表明,视觉模型验证的重要性 - 广义失配故障诊断(GOOFD)框架的内部对比学习
利用内部对比学习技术和马氏距离,我们提出了广义的基于分布外故障诊断框架 (GOOFD),用于集成检测、分类和新颖性故障诊断等多个诊断子任务,并在模拟和实际数据集上表明了该方法的有效性。
- 方案:方差感知式隐私均值估计
提出了一种私有化适应噪声的算法(PLAN),用于独立从分布中取样的输入的均值估计问题,并且这一算法根据数据的形状调整噪声的形状以获得更好的效果,并在密度分布的集中假设下进行实验验证。
- 基于自监督高斯正则化的深度分类器用于马氏距离不确定性估计
介绍了一种轻量、快速、高性能的正则化方法用于 Mahalanobis 距离的不确定性预测,并需要对网络的架构进行最小的更改来推导有利于 Mahalanobis 距离计算的高斯潜在表示。通过在标准 OOD 基准测试上进行评估,证明了该方法在最 - 更安全的机器人引导视网膜微创手术的非监督离群检测
本研究探讨使用基于马氏距离的异常检测器来识别机器学习模型中的样本是否与训练时样本相似,并且通过实验表明,该方法在确定性外部数据的适用性上具有可行性,用于机器学习为基础的距离估计模型在机器人引导下的显微手术过程中可能起到检测数据异常的作用。
- 基于序列重建的状态空间模型的时间序列异常检测
本文提出一种基于序列编码器和解码器的,利用前后向时间信息学习双向动态的无监督异常检测方法,通过对正常样本状态空间的正则化和使用马氏距离评估异常等级,实现对复杂多元时间序列数据中异常数据模式的识别和潜在故障的检测。
- 深度相关性感知的核化自编码器在网络安全中的异常检测
本文提出了一种利用鲁棒的马哈拉诺比斯距离度量潜在维度相关性的基于核心自动编码器的异常检测方法来有效检测近距离和远距离异常值的方法。