Dokument: Representation Learning for Anomaly Detection

Titel:	Representation Learning for Anomaly Detection
Weiterer Titel:	Repräsentationslernen für Anomalieerkennung
URL für Lesezeichen:	https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=60643
URN (NBN):	urn:nbn:de:hbz:061-20221006-113424-6
Kollektion:	Dissertationen
Sprache:	Englisch
Dokumententyp:	Wissenschaftliche Abschlussarbeiten » Dissertation
Medientyp:	Text
Autor:	Gholamipoorfard, Rahil [Autor]
Dateien:	[Dateien anzeigen] Adobe PDF [Details] 22,42 MB in einer Datei [ZIP-Datei erzeugen] Dateien vom 14.09.2022 / geändert 14.09.2022
Beitragende:	Prof. Dr. Kollmann, Markus [Gutachter] Prof. Dr. Conrad, Stefan [Gutachter]
Dewey Dezimal-Klassifikation:	500 Naturwissenschaften und Mathematik » 570 Biowissenschaften; Biologie
Beschreibungen:	Deep Learning hat aufgrund seiner breiten Anwendung, die vom autonomen Fahren bis zur medizinischen Diagnose reicht, großes Forschungsinteresse auf sich gezogen. Das Erlernen verallgemeinerbarer Repräsentationen aus einer angemessenen Menge markierter Daten ist einer der wichtigsten Erfolge in der künstlichen Intelligenz. Dennoch ist es nicht immer möglich, eine große Anzahl kommentierter Daten zu sammeln. Daher hat das selbstüberwachte Lernen in letzter Zeit aufgrund seiner enormen Leistungen in verschiedenen Bereichen, z.B. im Audio und im visuellen Bereich, immer mehr Aufmerksamkeit auf sich gezogen. Selbstüberwachtes Lernen ist eine Form des unüberwachten Lernens, bei dem aus Rohbeobachtungen ohne menschliche Aufsicht Repräsentationen auf hoher Ebene gelernt werden, die in nachgelagerten Aufgaben wie der Erkennung von Anomalien breit eingesetzt werden können. Out-of-distribution (OOD) oder Anomalie-Erkennung, d.h., das Problem der Entscheidung, ob eine gegebene Testprobe aus der gleichen Verteilung wie die Trainingsmenge stammt, ist entscheidend für ein zuverlässiges Lernen. Die Anomalieerkennung zielt darauf ab, Muster in Daten zu identifizieren, die sich signifikant von dem unterscheiden, was erwartet wird. Viele reale Anwendungen erfordern eine hochpräzise Anomalieerkennung für einen unanfechtbaren Einsatz, wie z.B. in der medizinischen Diagnose. Es gibt viele Versuche, eine geeignete Repräsentation für die Anomalieerkennung zu erlernen. Inspiriert durch den jüngsten Erfolg des selbstüberwachten Lernens wollen wir die Leistungsfähigkeit des Repräsentationslernens für die OOD-Erkennung in natürlichen Bildern sowie in medizinischen Datensätzen nutzen. Die Erkennung von OODs ist ein wichtiger Schritt zur Verbesserung der Sicherheit. In dieser Arbeit schlagen wir einen Rahmen für die Erkennung von Anomalien vor, der keine Etikettinformationen benötigt. Unser Framework kann in großem Umfang auf OOD-Erkennungsaufgaben angewendet werden, einschließlich visueller und Zeitreihendaten. Ein Hauptbeitrag dieser Arbeit ist, dass die von uns vorgeschlagene Methode besser ist als überwachte und unüberwachte Methoden bei anspruchsvollen OOD-Erkennungsaufgaben im visuellen Bereich. Wir hoffen, dass die in dieser Arbeit gewonnenen Erkenntnisse Licht auf das schwierige Problem der Anomalieerkennung werfen und eine bessere Entscheidungsfindung insbesondere im Gesundheitsbereich ermöglichen. Deep Learning has drawn extensive research interests due to its wide application ranging from autonomous driving to medical diagnosis. One of the most important successes in artificial intelligence is learning generalizable representations from a decent amount of labeled data in an end-to-end fashion. Nevertheless, it is not always feasible to collect a large number of annotated data. Therefore, self-supervised learning has recently drawn increasing attention due to its tremendous performance in various domains, e.g., audio and visual domains. Self-supervised learning is a form of unsupervised learning which learns high-level representations from raw observations without any human supervision which can be broadly used in downstream tasks such as anomaly detection. Out-of-distribution (OOD) or anomaly detection, i.e., the problem of deciding whether a given test sample is drawn from the same distribution as the training set, is crucial for a reliable learning. Anomaly detection aims at identifying patterns in data that are significantly different to what is expected. Many real-world applications require highly accurate anomaly detection for unassailable deployment, such as in medical diagnosis. There have been many attempts at learning a representation befitting anomaly detection. Inspired by the recent success of self-supervised learning, we aim to make use of its power of representation learning for OOD detection in natural images as well as medical datasets. OOD detection is an important step to improving safety. In this work, we propose a framework for anomaly detection that does not require any label information. Our framework can be widely applied to OOD detection tasks, including visual and time series data. A main contribution of this work is that our proposed method outperforms supervised and unsupervised methods on challenging OOD detection tasks in the visual domain. We hope that the provided insights in this work shed light on the challenging problem of anomaly detection and allow for improving decision-making especially in health domain.
Lizenz:	Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung 4.0 International Lizenz
Fachbereich / Einrichtung:	Mathematisch- Naturwissenschaftliche Fakultät
Dokument erstellt am:	06.10.2022
Dateien geändert am:	06.10.2022
Promotionsantrag am:	24.03.2022
Datum der Promotion:	29.06.2022