論文の概要: Preference Isolation Forest for Structure-based Anomaly Detection

• arxiv url: http://arxiv.org/abs/2505.10876v1
• Date: Fri, 16 May 2025 05:32:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:14.170737
• Title: Preference Isolation Forest for Structure-based Anomaly Detection
• Title（参考訳）: 構造に基づく異常検出のための選好分離林
• Authors: Filippo Leveni, Luca Magri, Cesare Alippi, Giacomo Boracchi,
• Abstract要約: 選好隔離林(PIF)と呼ばれる一般的な異常検出フレームワークを考案する。 PIFは、適応的な分離に基づく手法の利点と、好みの埋め込みの柔軟性を組み合わせる。 本稿では,最も一般的な解である Voronoi-iForest と RuzHash-iForest と Sliding-PIF の3つの分離手法を提案する。
• 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 as samples that do not conform to structured patterns represented by low-dimensional manifolds. To this end, we conceive a general anomaly detection framework called Preference Isolation Forest (PIF), that combines the benefits of adaptive isolation-based methods with the flexibility of preference embedding. The key intuition is to embed the data into a high-dimensional preference space by fitting low-dimensional manifolds, and to identify anomalies as isolated points. We propose three isolation approaches to identify anomalies: $i$) Voronoi-iForest, the most general solution, $ii$) RuzHash-iForest, that avoids explicit computation of distances via Local Sensitive Hashing, and $iii$) Sliding-PIF, that leverages a locality prior to improve efficiency and effectiveness.
• Abstract（参考訳）: 低次元多様体で表される構造化パターンに従わないサンプルとして異常を検出するという問題に対処する。 この目的のために、適応的隔離法と優先埋め込みの柔軟性を組み合わせた、PIF(Preference isolation Forest)と呼ばれる一般的な異常検出フレームワークを考案した。 鍵となる直観は、データを低次元多様体を組み込むことで高次元の選好空間に埋め込み、異常を孤立点として識別することである。 より一般的な解である Voronoi-iForest ($ii$) RuzHash-iForest ($ii$) Local Sensitive Hashing (Local Sensitive Hashing) と Sliding-PIF ($iii$) Sliding-PIF の3つの分離手法を提案する。

関連論文リスト

• Hashing for Structure-based Anomaly Detection [22.383337771018958]
  本研究では,高次元における距離の明示的な計算を避けるために局所感性ハッシュを用いる。 具体的には,選好空間で動作するように設計された孤立型異常検出手法を提案する。
  論文  参考訳（メタデータ） (2025-05-16T05:31:50Z)
• PIF: Anomaly detection via preference embedding [22.383337771018958]
  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。
  論文  参考訳（メタデータ） (2025-05-15T16:00:31Z)
• 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)
• Transcending Forgery Specificity with Latent Space Augmentation for Generalizable Deepfake Detection [57.646582245834324]
  LSDAと呼ばれる簡易で効果的なディープフェイク検出器を提案する。 より多様な偽の表現は、より一般化可能な決定境界を学べるべきである。 提案手法は驚くほど有効であり, 広く使用されている複数のベンチマークで最先端の検出器を超越することを示す。
  論文  参考訳（メタデータ） (2023-11-19T09:41:10Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Deep Isolation Forest for Anomaly Detection [16.581154394513025]
  孤立林(iForest)は近年、おそらく最も人気のある異常検知器として出現している。 我々のモデルでは,データセット上での最先端の分離手法や深層検出器よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2022-06-14T05:47:07Z)

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。