Robust Contextual Outlier Detection: Where Context Meets Sparsity, CIKM2016
最近異常検知分野において新たにcontextual outlier detectionという手法が提案されてきている。
これはある特定のコンテクストに限定する事で異常検知性能を向上させることができる。
しかしこの手法は、コンテクストがスパース、つまりreference情報が少ない場合においてはあまり効果をなさない。
またlarge scaleデータにおいては適用が難しい。
本論ではこの問題へ対処したモデルとしてROCODを提案する。
このモデルはコンテクストに応じてlocal及びglobalな動作モデルをロバストで自然な形で統合する。
またこのモデルに関する最適化手法を提案しスケーラビリティを改善した。
Variational Bayes with Synthetic Likelihood
Likelihood freeな手法において、パラメータ推定に役立つ近似的なガウス分布構造の要約統計量が得られる場合に、人工的な尤度を用いる事は効果的である。
この手法は要約統計量に関するガウス分布を用いた近似推定結果を利用して人工的な尤度を計算する。
これはモンテカルロ法を利用した平均と分散のplug-in推定を利用して計算する。
本論では従来手法と違いstochastic gradient variational inferenceを用いて人工的な尤度を予測する事で計算コストを軽減する手法を提案する。
Residual CNDS
CNNは層を増やすことで性能を上げてきた。
しかしそれは同時に学習を困難にし、計算コストが高くなる。
最近の研究では、途中の層から分岐を行い補助タスクを解かせる事で性能向上させる手法も提案されてきた。
特にどの途中層へ補助タスクを導入すべきかに関する指針が最近得られてきた。
そのルールの1つとしてconvolutional networks with deep supervision (CNDS)がある。
また一方最近提案されたResNetは深いネットワークに対する学習手法として有用である。
本論ではこれら2つの手法を組み合わせる事で性能向上が可能である事を示す。