Buchumschlag

How Low Can You Go? Surfacing Prototypical In-Distribution Samples for Unsupervised Anomaly Detection

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Meissen, Felix, Getzner, Johannes, Ziller, Alexander, Turgut, Özgün, Kaissis, Georgios, Menten, Martin J., Rueckert, Daniel
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Weakly Supervised Object Detection in Chest X-Rays with Differentiable ROI Proposal Networks and Soft ROI Pooling
von: Müller, Philip, et al.
Veröffentlicht: (2024)

On Arbitrary Predictions from Equally Valid Models
von: Lockfisch, Sarah, et al.
Veröffentlicht: (2025)

Towards Generalisable Time Series Understanding Across Domains
von: Turgut, Özgün, et al.
Veröffentlicht: (2024)

Laplace Sample Information: Data Informativeness Through a Bayesian Lens
von: Kaiser, Johannes, et al.
Veröffentlicht: (2025)

Complex-valued Federated Learning with Differential Privacy and MRI Applications
von: Riess, Anneliese, et al.
Veröffentlicht: (2021)

Are foundation models useful feature extractors for electroencephalography analysis?
von: Turgut, Özgün, et al.
Veröffentlicht: (2025)

How Much Is One Recurrence Worth? Iso-Depth Scaling Laws for Looped Language Models
von: Schwethelm, Kristian, et al.
Veröffentlicht: (2026)

Your Privacy Depends on Others: Collusion Vulnerabilities in Individual Differential Privacy
von: Kaiser, Johannes, et al.
Veröffentlicht: (2026)

Efficient numeracy in language models through single-token number embeddings
von: Kreitner, Linus, et al.
Veröffentlicht: (2025)

Incentivising the federation: gradient-based metrics for data selection and valuation in private decentralised training
von: Usynin, Dmitrii, et al.
Veröffentlicht: (2023)

ChEX: Interactive Localization and Region Description in Chest X-rays
von: Müller, Philip, et al.
Veröffentlicht: (2024)

Weighting What Matters: Boosting Sample Efficiency in Medical Report Generation via Token Reweighting
von: Weers, Alexander, et al.
Veröffentlicht: (2026)

Cross-domain and Cross-dimension Learning for Image-to-Graph Transformers
von: Berger, Alexander H., et al.
Veröffentlicht: (2024)

Unlocking the diagnostic potential of electrocardiograms through information transfer from cardiac magnetic resonance imaging
von: Turgut, Özgün, et al.
Veröffentlicht: (2023)

Gradient-Weight Alignment as a Train-Time Proxy for Generalization in Classification Tasks
von: Hölzl, Florian A., et al.
Veröffentlicht: (2025)

Evaluation of Language Models in the Medical Context Under Resource-Constrained Settings
von: Posada, Andrea, et al.
Veröffentlicht: (2024)

Estimating Neural Orientation Distribution Fields on High Resolution Diffusion MRI Scans
von: Dwedari, Mohammed Munzer, et al.
Veröffentlicht: (2024)

Kernel Normalized Convolutional Networks
von: Nasirigerdeh, Reza, et al.
Veröffentlicht: (2022)

Private, fair and accurate: Training large-scale, privacy-preserving AI models in medical imaging
von: Arasteh, Soroosh Tayebi, et al.
Veröffentlicht: (2023)

Echo2ECG: Enhancing ECG Representations with Cardiac Morphology from Multi-View Echos
von: Liman, Michelle Espranita, et al.
Veröffentlicht: (2026)

Differentially Private Active Learning: Balancing Effective Data Selection and Privacy
von: Schwethelm, Kristian, et al.
Veröffentlicht: (2024)

LungEvaty: A Scalable, Open-Source Transformer-based Deep Learning Model for Lung Cancer Risk Prediction in LDCT Screening
von: Brandt, Johannes, et al.
Veröffentlicht: (2025)

How Low Can You Go? The Data-Light SE Challenge
von: Ganguly, Kishan Kumar, et al.
Veröffentlicht: (2025)

Step-resolved data attribution for looped transformers
von: Kaissis, Georgios, et al.
Veröffentlicht: (2026)

Beyond the Calibration Point: Mechanism Comparison in Differential Privacy
von: Kaissis, Georgios, et al.
Veröffentlicht: (2024)

Sensitivity, Specificity, and Consistency: A Tripartite Evaluation of Privacy Filters for Synthetic Data Generation
von: Koeken, Adil, et al.
Veröffentlicht: (2025)

Towards Universal Unsupervised Anomaly Detection in Medical Imaging
von: Bercea, Cosmin I., et al.
Veröffentlicht: (2024)

Machine Unlearning for Medical Imaging
von: Nasirigerdeh, Reza, et al.
Veröffentlicht: (2024)

Visual Privacy Auditing with Diffusion Models
von: Schwethelm, Kristian, et al.
Veröffentlicht: (2024)

How Low Can We Go? Minimizing Interaction Samples for Configurable Systems
von: Krupke, Dominik, et al.
Veröffentlicht: (2025)

How Low Can You Go: Constraining the Effects of Catalog Incompleteness on Dark Siren Cosmology
von: VanWyngarden, Madison, et al.
Veröffentlicht: (2025)

Multi-View Stenosis Classification Leveraging Transformer-Based Multiple-Instance Learning Using Real-World Clinical Data
von: Cenikj, Nikola, et al.
Veröffentlicht: (2026)

Survival In-Context: Amortized Bayesian Survival Analysis via Prior-Fitted Networks
von: Seletkov, Dmitrii, et al.
Veröffentlicht: (2026)

Pitfalls of topology-aware image segmentation
von: Berger, Alexander H., et al.
Veröffentlicht: (2024)

How Far Can You Go with Your Studies at UNED?
von: Cristina Gutiérrez-Carranza
Veröffentlicht: (2020)

Improved Localized Machine Unlearning Through the Lens of Memorization
von: Torkzadehmahani, Reihaneh, et al.
Veröffentlicht: (2024)

Pro-AD: Learning Comprehensive Prototypes with Prototype-based Constraint for Multi-class Unsupervised Anomaly Detection
von: Zhou, Ziqing, et al.
Veröffentlicht: (2025)

How Low Can You Go? Searching for the Intrinsic Dimensionality of Complex Networks using Metric Node Embeddings
von: Nakis, Nikolaos, et al.
Veröffentlicht: (2025)

A Tale of Two Classes: Adapting Supervised Contrastive Learning to Binary Imbalanced Datasets
von: Mildenberger, David, et al.
Veröffentlicht: (2025)

From Mean to Extreme: Formal Differential Privacy Bounds on the Success of Real-World Data Reconstruction Attacks
von: Riess, Anneliese, et al.
Veröffentlicht: (2024)