Deep anomaly detection using self-supervised learning: application to time series of cellular data
| Autor: | Bailly, Romain, Malfante, Marielle, Allier, Cédric, Ghenim, Lamya, Mars, Jérôme |
|---|---|
| Přispěvatelé: | Laboratoire Intelligence Intégrée Multi-capteurs (LIIM), Université Grenoble Alpes (UGA)-Département Systèmes et Circuits Intégrés Numériques (DSCIN), Laboratoire d'Intégration des Systèmes et des Technologies (LIST), Direction de Recherche Technologique (CEA) (DRT (CEA)), Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Direction de Recherche Technologique (CEA) (DRT (CEA)), Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Laboratoire d'Intégration des Systèmes et des Technologies (LIST), Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA), GIPSA - Signal Images Physique (GIPSA-SIGMAPHY), GIPSA Pôle Sciences des Données (GIPSA-PSD), Grenoble Images Parole Signal Automatique (GIPSA-lab), Centre National de la Recherche Scientifique (CNRS)-Université Grenoble Alpes (UGA)-Institut polytechnique de Grenoble - Grenoble Institute of Technology (Grenoble INP ), Université Grenoble Alpes (UGA)-Centre National de la Recherche Scientifique (CNRS)-Université Grenoble Alpes (UGA)-Institut polytechnique de Grenoble - Grenoble Institute of Technology (Grenoble INP ), Université Grenoble Alpes (UGA)-Grenoble Images Parole Signal Automatique (GIPSA-lab), Université Grenoble Alpes (UGA), Commissariat à l'énergie atomique et aux énergies alternatives - Laboratoire d'Electronique et de Technologie de l'Information (CEA-LETI), Institut de Recherche Interdisciplinaire de Grenoble (IRIG), Direction de Recherche Fondamentale (CEA) (DRF (CEA)), Laboratoire d'Intégration des Systèmes et des Technologies (LIST (CEA)), Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Laboratoire d'Intégration des Systèmes et des Technologies (LIST (CEA)) |
| Jazyk: | angličtina |
| Rok vydání: | 2021 |
| Předmět: |
Self-supervised learning
ACM: I.: Computing Methodologies/I.2: ARTIFICIAL INTELLIGENCE Time series 1D-CNN Anomaly detection Cellular anomaly Lens-free microscopy [SPI.SIGNAL]Engineering Sciences [physics]/Signal and Image processing [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI] |
| Zdroj: | ASPAI 2021-3rd International Conference on Advances in Signal Processing and Artificial Intelligence ASPAI 2021-3rd International Conference on Advances in Signal Processing and Artificial Intelligence, Nov 2021, Porto, Portugal 3rd International Conference on Advances in Signal Processing and Artificial Intelligence 3rd International Conference on Advances in Signal Processing and Artificial Intelligence, Nov 2021, PORTO, Portugal |
| Popis: | International audience; We present a deep self-supervised method for anomaly detection on time series. We apply this methodology to detect anomalies from cellular time series. In particular, this study focuses on cell dry mass, obtained in the context of lensfree microscopy. The method we propose is an innovative two-step pipeline using self-supervised learning. As a first step, a representation of the time series is learned thanks to a 1D-convolutional neural network without any labels. Then, the learned representation is used to feed a threshold anomaly detector. This new self-supervised learning method is tested on an unlabelled dataset of 9100 time series of dry mass and succeeded in detecting abnormal time series with a precision of 96.6%. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|