Differences

This shows you the differences between two versions of the page.

--- grants:ml4gamma:biblio [26/04/2024 23:40] – [Гамма астрономия] admin
+++ grants:ml4gamma:biblio [27/04/2024 18:29] – [Редкие, аномальные события] demichev
@@ Line 7: / Line 7: @@
 ===== Редкие, аномальные события =====
+**Общие обзоры**
+  * Liu, Jiaqi, Guoyang Xie, Jinbao Wang, Shangnian Li, Chengjie Wang, Feng Zheng, and Yaochu Jin. [[https://link.springer.com/article/10.1007/s11633-023-1459-z|"Deep industrial image anomaly detection: A survey."]] Machine Intelligence Research 21, no. 1 (2024): 104-135.
+    * Всесторонний обзор методов обнаружения аномалий изображений на основе глубокого обучения с точки зрения архитектуры нейронных сетей, функций потерь, метрик и наборов данных и т.п.
+    * Совсем недавний и подробный обзор темы. Хотя основной упор на применении в промышленности, представляется, что методика может быть полезной для проекта.
+  * De Albuquerque Filho, José Edson, Laislla CP Brandão, Bruno José Torres Fernandes, and Alexandre MA Maciel. [[https://ieeexplore.ieee.org/iel7/6287639/6514899/09925159.pdf|"A review of neural networks for anomaly detection."]] IEEE Access 10 (2022): 112342-112367.
+    * Фактически сборник абстрактов работ по теме (более 70-ти) + некоторые обобщающие таблицы
+  * Nassif, Ali Bou, Manar Abu Talib, Qassim Nasir, and Fatima Mohamad Dakalbab. [[https://ieeexplore.ieee.org/iel7/6287639/6514899/09439459.pdf|"Machine learning for anomaly detection: A systematic review."]] IEEE Access 9 (2021): 78658-78700.
+    * Обзор только литературных источников по базовым критериям (type, ML model, performance metrics and their value, etc.), но очень объемлющий (более 300 ссылок)
+ **GAN для поиска аномалий**
+  * Di Mattia, Federico, Paolo Galeone, Michele De Simoni, and Emanuele Ghelfi. [[https://arxiv.org/pdf/1906.11632|"A survey on gans for anomaly detection."]] arXiv preprint arXiv:1906.11632 (2019).
+    * Неплохой обзор по использованию GAN для поиска аномалий
+    * Использование AE для поиска аномалий понятно: данные, которые плохо декодируются обученным на нормальных данных AE, - аномальны. Оказалось, что с этой задачей вполне успешно справляются и GANs.
+    * Особенно хорошо для этой цели подходит модификация GAN, называемая BiGAN (Bidirectional GAN).
+    * Вводные тексты по  BiGAN и по их применению для поиска аномалий (блоги):
+      * [[https://serp.ai/bidirectional-gan|Bidirectional GAN]]
+      * [[https://medium.com/nerd-for-tech/review-bigan-adversarial-feature-learning-gan-535eb76be2ca|Review — BiGAN: Adversarial Feature Learning (GAN)]]
+      * [[https://medium.com/analytics-vidhya/anomaly-detection-using-generative-adversarial-networks-gan-ca433f2ac287|Anomaly detection Using Generative Adversarial Networks(GAN)]]
+      * [[https://www.toolify.ai/ai-news/advanced-anomaly-detection-with-bigans-for-image-data-1284376|Advanced Anomaly Detection with BiGANs for Image Data]]
+**Поиск аномальных данных IACT**
+  * De, Songshaptak, Writasree Maitra, Vikram Rentala, and Arun M. Thalapillil. [[https://arxiv.org/pdf/2206.05296|"Deep learning techniques for imaging air Cherenkov telescopes."]] Physical Review D 107, no. 8 (2023): 083026.
+    * Поиск аномальных данных IACT с помощью нейронных сетей. Аномальные данные интерпретируются как вызванные первичными частицами вне рамок Стандартной модели.
 ===== Мультимодальные данные =====