論文の概要: PIF: Anomaly detection via preference embedding

• arxiv url: http://arxiv.org/abs/2505.10441v1
• Date: Thu, 15 May 2025 16:00:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 22:29:06.398797
• Title: PIF: Anomaly detection via preference embedding
• Title（参考訳）: PIF:優先埋め込みによる異常検出
• Authors: Filippo Leveni, Luca Magri, Giacomo Boracchi, Cesare Alippi,
• Abstract要約: PIFと呼ばれる新しい異常検出手法を提案する。 データを高次元空間に埋め込むと、効率の良い木に基づくPIフォレスト法を用いて異常スコアを計算する。
• 参考スコア（独自算出の注目度）: 22.383337771018958
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We address the problem of detecting anomalies with respect to structured patterns. To this end, we conceive a novel anomaly detection method called PIF, that combines the advantages of adaptive isolation methods with the flexibility of preference embedding. Specifically, we propose to embed the data in a high dimensional space where an efficient tree-based method, PI-Forest, is employed to compute an anomaly score. Experiments on synthetic and real datasets demonstrate that PIF favorably compares with state-of-the-art anomaly detection techniques, and confirm that PI-Forest is better at measuring arbitrary distances and isolate points in the preference space.
• Abstract（参考訳）: 構造パターンに対する異常検出の問題に対処する。 そこで本研究では,適応分離手法の利点と優先埋め込みの柔軟性を組み合わせ,PIFと呼ばれる新たな異常検出手法を提案する。 具体的には,木をベースとした効率的なPIフォレスト法を用いて,異常スコアの計算を行う高次元空間にデータを埋め込む手法を提案する。 合成および実データセットの実験では、PIFが最先端の異常検出技術と好意的に比較し、PIフォレストが任意の距離を計測し、選好空間内の点を分離するのに優れていることを確認した。

関連論文リスト

• Trajectory Anomaly Detection with Language Models [21.401931052512595]
  本稿では,自己回帰因果アテンションモデル(LM-TAD)を用いた軌道異常検出のための新しい手法を提案する。 トラジェクトリをトークンの列として扱うことにより、トラジェクトリ上の確率分布を学習し、高精度な異常位置の同定を可能にする。 本実験は, 合成および実世界の両方のデータセットに対するLM-TADの有効性を実証した。
  論文  参考訳（メタデータ） (2024-09-18T17:33:31Z)
• Online-Adaptive Anomaly Detection for Defect Identification in Aircraft Assembly [4.387337528923525]
  異常検出は、データ内の確立されたパターンから逸脱を検出する。 本稿では,移動学習を用いたオンライン適応型異常検出のための新しいフレームワークを提案する。 実験結果は0.975を超える検出精度を示し、最先端のET-NETアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2024-06-18T15:11:44Z)
• Embedding Trajectory for Out-of-Distribution Detection in Mathematical Reasoning [50.84938730450622]
  数理推論におけるOOD検出にトラジェクトリボラティリティを用いたトラジェクトリベースのTVスコアを提案する。 本手法は, 数学的推論シナリオ下でのGLM上での従来のアルゴリズムよりも優れる。 提案手法は,複数選択質問などの出力空間における高密度特徴を持つアプリケーションに拡張することができる。
  論文  参考訳（メタデータ） (2024-05-22T22:22:25Z)
• 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)
• Combating Mode Collapse in GANs via Manifold Entropy Estimation [70.06639443446545]
  Generative Adversarial Networks (GAN) は、様々なタスクやアプリケーションにおいて魅力的な結果を示している。 GANのモード崩壊問題に対処するための新しいトレーニングパイプラインを提案する。
  論文  参考訳（メタデータ） (2022-08-25T12:33:31Z)
• TracInAD: Measuring Influence for Anomaly Detection [0.0]
  本稿では,TracInに基づく異常をフラグする新しい手法を提案する。 本研究では,変分オートエンコーダを用いて,テストポイントにおけるトレーニングポイントのサブサンプルの平均的な影響が,異常のプロキシとして有効であることを示す。
  論文  参考訳（メタデータ） (2022-05-03T08:20:15Z)
• ESAD: End-to-end Deep Semi-supervised Anomaly Detection [85.81138474858197]
  正規データと異常データの間のKL偏差を計測する新たな目的関数を提案する。 提案手法は,複数のベンチマークデータセットの最先端性能を著しく上回っている。
  論文  参考訳（メタデータ） (2020-12-09T08:16:35Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。