論文の概要: MADCluster: Model-agnostic Anomaly Detection with Self-supervised Clustering Network

• arxiv url: http://arxiv.org/abs/2505.16223v1
• Date: Thu, 22 May 2025 04:50:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:48.042853
• Title: MADCluster: Model-agnostic Anomaly Detection with Self-supervised Clustering Network
• Title（参考訳）: MADCluster:自己監視クラスタリングネットワークを用いたモデル非依存型異常検出
• Authors: Sangyong Lee, Subo Hwang, Dohoon Kim,
• Abstract要約: 自己教師付きクラスタリングを利用したモデルに依存しない異常検出フレームワークMADClusterを提案する。 中心となる考え方は、通常のパターンデータを'単一クラスタ'にクラスタ化すると同時に、クラスタセンタを学習し、このセンタに近いデータをマッピングすることです。 4つの時系列ベンチマークデータセットの実験では、MADClusterを適用することで、比較モデルの全体的なパフォーマンスが向上することが示された。
• 参考スコア（独自算出の注目度）: 0.7373617024876725
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose MADCluster, a novel model-agnostic anomaly detection framework utilizing self-supervised clustering. MADCluster is applicable to various deep learning architectures and addresses the 'hypersphere collapse' problem inherent in existing deep learning-based anomaly detection methods. The core idea is to cluster normal pattern data into a 'single cluster' while simultaneously learning the cluster center and mapping data close to this center. Also, to improve expressiveness and enable effective single clustering, we propose a new 'One-directed Adaptive loss'. The optimization of this loss is mathematically proven. MADCluster consists of three main components: Base Embedder capturing high-dimensional temporal dynamics, Cluster Distance Mapping, and Sequence-wise Clustering for continuous center updates. Its model-agnostic characteristics are achieved by applying various architectures to the Base Embedder. Experiments on four time series benchmark datasets demonstrate that applying MADCluster improves the overall performance of comparative models. In conclusion, the compatibility of MADCluster shows potential for enhancing model performance across various architectures.
• Abstract（参考訳）: 本稿では,自己教師付きクラスタリングを利用したモデル非依存型異常検出フレームワークMADClusterを提案する。 MADClusterは様々なディープラーニングアーキテクチャに適用でき、既存のディープラーニングベースの異常検出手法に固有の「超球崩壊」問題に対処する。 中心となる考え方は、通常のパターンデータを"単一クラスタ"にクラスタ化し、同時にクラスタセンタを学習し、このセンタに近いデータをマッピングすることです。 また,表現性を向上し,効果的な単一クラスタリングを実現するために,新たな「一方向適応損失」を提案する。 この損失の最適化は数学的に証明されている。 MADClusterは3つの主要なコンポーネントで構成されている。Base Embedderは高次元の時間的ダイナミクスをキャプチャし、クラスタ距離マッピングと、継続的中心更新のためのSequence-wise Clusteringである。 そのモデルに依存しない特性は、ベースエンベッドダーに様々なアーキテクチャを適用することで達成される。 4つの時系列ベンチマークデータセットの実験では、MADClusterを適用することで、比較モデルの全体的なパフォーマンスが向上することが示された。 結論として、MADClusterの互換性は、様々なアーキテクチャにわたるモデルパフォーマンスを向上させる可能性を示している。

関連論文リスト

• Towards Learnable Anchor for Deep Multi-View Clustering [49.767879678193005]
  本稿では,線形時間でクラスタリングを行うDeep Multi-view Anchor Clustering (DMAC)モデルを提案する。 最適なアンカーを用いて、全サンプルグラフを計算し、クラスタリングのための識別的埋め込みを導出する。 いくつかのデータセットの実験では、最先端の競合に比べてDMACの性能と効率が優れていることが示されている。
  論文  参考訳（メタデータ） (2025-03-16T09:38:11Z)
• Unfolding ADMM for Enhanced Subspace Clustering of Hyperspectral Images [43.152314090830174]
  本稿では,スパースサブスペースクラスタリングのためのマルチプライヤの交互方向法(ADMM)に基づく反復解法を展開させることにより,ハイパースペクトル画像(HSI)のための革新的なクラスタリングアーキテクチャを提案する。 提案手法は, 構造保存モジュールの一部として, K近傍近傍のアルゴリズムを用いて, HSIデータの構造特性をよく把握する。
  論文  参考訳（メタデータ） (2024-04-10T15:51:46Z)
• A Generalized Framework for Predictive Clustering and Optimization [18.06697544912383]
  クラスタリングは強力で広く使われているデータサイエンスツールです。 本稿では,予測クラスタリングのための一般化最適化フレームワークを定義する。 また,大域的最適化のためにMILP(mixed-integer linear programming)を利用する共同最適化手法を提案する。
  論文  参考訳（メタデータ） (2023-05-07T19:56:51Z)
• Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
  半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。 本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。 さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
  論文  参考訳（メタデータ） (2023-03-29T14:54:19Z)
• Unified Multi-View Orthonormal Non-Negative Graph Based Clustering Framework [74.25493157757943]
  我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。 また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
  論文  参考訳（メタデータ） (2022-11-03T08:18:27Z)
• Deep Attention-guided Graph Clustering with Dual Self-supervision [49.040136530379094]
  デュアル・セルフ・スーパービジョン(DAGC)を用いたディープアテンション誘導グラフクラスタリング法を提案する。 我々は,三重項Kulback-Leibler分散損失を持つソフトな自己スーパービジョン戦略と,擬似的な監督損失を持つハードな自己スーパービジョン戦略からなる二重自己スーパービジョンソリューションを開発する。 提案手法は6つのベンチマークデータセットにおける最先端の手法より一貫して優れている。
  論文  参考訳（メタデータ） (2021-11-10T06:53:03Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)
• Unsupervised Multi-view Clustering by Squeezing Hybrid Knowledge from Cross View and Each View [68.88732535086338]
  本稿では,適応グラフ正規化に基づくマルチビュークラスタリング手法を提案する。 5つの多視点ベンチマークの実験結果から,提案手法が他の最先端手法をクリアマージンで上回ることを示す。
  論文  参考訳（メタデータ） (2020-08-23T08:25:06Z)

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。