論文の概要: Deep Transductive Outlier Detection

• arxiv url: http://arxiv.org/abs/2404.03495v2
• Date: Mon, 01 Sep 2025 08:36:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-03 20:08:26.114172
• Title: Deep Transductive Outlier Detection
• Title（参考訳）: Deep Transductive Outlier Detection
• Authors: Simon Klüttermann, Emmanuel Müller,
• Abstract要約: 我々は、アウトラヤ検出のための最初のエンドツーエンドのトランスダクティブディープラーニングアルゴリズムであるDoustを紹介する。 総合的なADBenchベンチマークでは、平均ROC-AUCが89%ドルに達し、21の競合企業全てを約10%以上上回っている。
• 参考スコア（独自算出の注目度）: 3.1027884336299625
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Outlier detection (OD) is one of the core challenges in machine learning. Transductive learning, which leverages test data during training, has shown promise in related machine learning tasks, yet remains largely unexplored for modern OD. We present Doust, the first end-to-end transductive deep learning algorithm for outlier detection, which explicitly leverages unlabeled test data to boost accuracy. On the comprehensive ADBench benchmark, Doust achieves an average ROC-AUC of $89%$, outperforming all 21 competitors by roughly $10%$. Our analysis identifies both the potential and a limitation of transductive OD: while performance gains can be substantial in favorable conditions, very low contamination rates can hinder improvements unless the dataset is sufficiently large.
• Abstract（参考訳）: 外乱検出(OD)は、機械学習における中核的な課題の1つだ。 トレーニング中にテストデータを活用するTransductive Learningは、関連する機械学習タスクにおいて有望であることを示しているが、現代のODでは明らかにされていない。 我々は、未ラベルのテストデータを明示的に活用して精度を高める、最初のエンドツーエンドのトランスダクティブディープラーニングアルゴリズムであるDoustを提案する。 総合的なADBenchベンチマークでは、平均ROC-AUCが89%ドルに達し、21の競合企業全てを約10%以上上回っている。 我々の分析では, トランスダクティブODのポテンシャルと限界の両方を同定し, 性能向上は良好な条件で実現可能であるが, データセットが十分に大きくない限り, 非常に低い汚染率は改善を妨げる。

関連論文リスト

• On the Universal Adversarial Perturbations for Efficient Data-free Adversarial Detection [55.73320979733527]
  本稿では,UAPに対して正常サンプルと逆サンプルの異なる応答を誘導する,データに依存しない逆検出フレームワークを提案する。 実験結果から,本手法は様々なテキスト分類タスクにおいて,競合検出性能を実現することが示された。
  論文  参考訳（メタデータ） (2023-06-27T02:54:07Z)
• PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
  本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。 我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-01-25T16:34:43Z)
• Temporal Output Discrepancy for Loss Estimation-based Active Learning [65.93767110342502]
  ラベルのないサンプルが高損失を伴っていると信じられている場合に,データアノテーションのオラクルに問い合わせる,新しいディープラーニングアプローチを提案する。 本手法は,画像分類やセマンティックセグメンテーションタスクにおける最先端の能動学習手法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-12-20T19:29:37Z)
• Out-of-Distribution Detection with Hilbert-Schmidt Independence Optimization [114.43504951058796]
  異常検出タスクはAIの安全性において重要な役割を担っている。 ディープニューラルネットワーク分類器は通常、アウト・オブ・ディストリビューション(OOD)の入力を、信頼性の高いイン・ディストリビューション・クラスに誤って分類する傾向がある。 我々は,OOD検出タスクにおいて実用的かつ理論的に有効な代替確率論的パラダイムを提案する。
  論文  参考訳（メタデータ） (2022-09-26T15:59:55Z)
• A Revealing Large-Scale Evaluation of Unsupervised Anomaly Detection Algorithms [0.0]
  異常検出には、銀行詐欺検知やサイバー脅威検出から機器のメンテナンスや健康モニタリングまで、多くの応用がある。 我々は,最も普及している非教師付き異常検出方法の12点を概観した。
  論文  参考訳（メタデータ） (2022-04-21T00:17:12Z)
• Little Help Makes a Big Difference: Leveraging Active Learning to Improve Unsupervised Time Series Anomaly Detection [2.1684857243537334]
  予期せぬネットワークインシデントを検出するために,多数の異常検出アルゴリズムがデプロイされている。 教師なし異常検出アルゴリズムは、しばしば過度の誤報に悩まされる。 本稿では,オペレータのフィードバックの導入とメリットをアクティブな学習に活用することを提案する。
  論文  参考訳（メタデータ） (2022-01-25T13:54:19Z)
• Class-wise Thresholding for Detecting Out-of-Distribution Data [6.5295089440496055]
  我々は,深層ニューラルネットワークを用いたOoD(Out-of-Distribution)入力データ検出の問題を考える。 既存のほとんどのOoD検出アルゴリズムに適用可能なクラスワイドしきい値決定方式を提案する。
  論文  参考訳（メタデータ） (2021-10-28T16:54:48Z)
• Low-Regret Active learning [64.36270166907788]
  トレーニングに最も有用なラベル付きデータポイントを識別するオンライン学習アルゴリズムを開発した。 私たちの仕事の中心は、予測可能な(簡単な)インスタンスの低い後悔を達成するために調整された睡眠専門家のための効率的なアルゴリズムです。
  論文  参考訳（メタデータ） (2021-04-06T22:53:45Z)
• Cross-validation Confidence Intervals for Test Error [83.67415139421448]
  この研究は、クロスバリデーションのための中心極限定理と、学習アルゴリズムの弱い安定性条件下での分散の一貫した推定器を開発する。 結果は、一般的な1対1のクロスバリデーションの選択にとって、初めてのものだ。
  論文  参考訳（メタデータ） (2020-07-24T17:40:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。