論文の概要: Foundation Models for Anomaly Detection: Vision and Challenges

• arxiv url: http://arxiv.org/abs/2502.06911v1
• Date: Mon, 10 Feb 2025 05:01:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 14:09:28.005847
• Title: Foundation Models for Anomaly Detection: Vision and Challenges
• Title（参考訳）: 異常検出のための基礎モデル:ビジョンと課題
• Authors: Jing Ren, Tao Tang, Hong Jia, Haytham Fayek, Xiaodong Li, Suyu Ma, Xiwei Xu, Feng Xia,
• Abstract要約: ファンデーションモデル(FM)は、異常検出を前進させる強力なツールとして登場した。 本調査では,FMによる異常検出の最近の進歩を概観する。
• 参考スコア（独自算出の注目度）: 19.2255593926904
• License:
• Abstract: As data continues to grow in volume and complexity across domains such as finance, manufacturing, and healthcare, effective anomaly detection is essential for identifying irregular patterns that may signal critical issues. Recently, foundation models (FMs) have emerged as a powerful tool for advancing anomaly detection. They have demonstrated unprecedented capabilities in enhancing anomaly identification, generating detailed data descriptions, and providing visual explanations. This survey presents the first comprehensive review of recent advancements in FM-based anomaly detection. We propose a novel taxonomy that classifies FMs into three categories based on their roles in anomaly detection tasks, i.e., as encoders, detectors, or interpreters. We provide a systematic analysis of state-of-the-art methods and discuss key challenges in leveraging FMs for improved anomaly detection. We also outline future research directions in this rapidly evolving field.
• Abstract（参考訳）: データが財務、製造業、医療といった分野にまたがって量や複雑さが増大し続けているため、重要な問題を引き起こす可能性のある不規則なパターンを特定するためには、効果的な異常検出が不可欠である。 近年, ファンデーションモデル (FM) が, 異常検出を推し進める強力なツールとして登場している。 彼らは異常識別を強化し、詳細なデータ記述を生成し、視覚的な説明を提供するという前例のない能力を示した。 本調査では,FMによる異常検出の最近の進歩を概観する。 本稿では,FMを異常検出タスク,すなわちエンコーダ,検出器,インタプリタといった3つのカテゴリに分類する新しい分類法を提案する。 本稿では,最先端の手法を体系的に分析し,異常検出の改善にFMを活用する上で重要な課題について論じる。 また、この急速に発展する分野における今後の研究の方向性についても概説する。

関連論文リスト

• Anomaly Detection in Graph Structured Data: A Survey [0.46040036610482665]
  本稿では,グラフデータにおける異常検出手法の概要を概観する。 本稿では,最先端の異常検出手法を分類する新しい分類法を提案する。
  論文  参考訳（メタデータ） (2024-05-10T01:30:25Z)
• AnoGAN for Tabular Data: A Novel Approach to Anomaly Detection [1.5039745292757671]
  本研究は, 異常検出, 課題探索, 厳密な悪意ある活動に適応する複雑性に対処する。 コントリビューションには、AnoGANの原則を新しいドメインに適用することや、これまで検出できなかった異常を検出するための有望な進歩が含まれている。
  論文  参考訳（メタデータ） (2024-05-05T22:54:43Z)
• Progress and Opportunities of Foundation Models in Bioinformatics [77.74411726471439]
  基礎モデル(FM)は、特に深層学習の領域において、計算生物学の新しい時代に定着した。 我々の焦点は、特定の生物学的問題にFMを応用することであり、研究ニーズに適切なFMを選択するために研究コミュニティを指導することを目的としています。 データノイズ、モデル説明可能性、潜在的なバイアスなど、生物学においてFMが直面する課題と限界を分析します。
  論文  参考訳（メタデータ） (2024-02-06T02:29:17Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• Progressing from Anomaly Detection to Automated Log Labeling and Pioneering Root Cause Analysis [53.24804865821692]
  本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。 この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
  論文  参考訳（メタデータ） (2023-12-22T15:04:20Z)
• AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
  製造業において異常検査が重要な役割を担っている。 既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。 本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:13:40Z)
• Few-shot Message-Enhanced Contrastive Learning for Graph Anomaly Detection [15.757864894708364]
  グラフ異常検出は、多数派から大きく逸脱するグラフデータの例外的なインスタンスを特定する上で重要な役割を果たす。 我々はFMGADと呼ばれる新しい数ショットグラフ異常検出モデルを提案する。 FMGADは, 人工的に注入された異常やドメイン・有機異常によらず, 他の最先端手法よりも優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2023-11-17T07:49:20Z)
• Precursor-of-Anomaly Detection for Irregular Time Series [31.73234935455713]
  本稿では,新しいタイプの異常検出法であるPrecursor-of-Anomaly(PoA)について述べる。 両問題を同時に解くために,ニューラルネットワークとマルチタスク学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-27T14:10:09Z)
• Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
  時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。 時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。 本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
  論文  参考訳（メタデータ） (2022-11-09T22:40:22Z)
• Functional Anomaly Detection: a Benchmark Study [4.444788548423704]
  異常検出は、非常に高い周波数でサンプリングされた測定に依存することができる。 本研究の目的は, 実データセット上の機能的設定において, 異常検出のための最近の手法の性能について検討することである。
  論文  参考訳（メタデータ） (2022-01-13T18:20:32Z)

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。