論文の概要: Anomaly Detection and Generation with Diffusion Models: A Survey

• arxiv url: http://arxiv.org/abs/2506.09368v1
• Date: Wed, 11 Jun 2025 03:29:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:02.302819
• Title: Anomaly Detection and Generation with Diffusion Models: A Survey
• Title（参考訳）: 拡散モデルによる異常検出と生成:サーベイ
• Authors: Yang Liu, Jing Liu, Chengfang Li, Rui Xi, Wenchao Li, Liang Cao, Jin Wang, Laurence T. Yang, Junsong Yuan, Wei Zhou,
• Abstract要約: 異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。 近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。 この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
• 参考スコア（独自算出の注目度）: 51.61574868316922
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection (AD) plays a pivotal role across diverse domains, including cybersecurity, finance, healthcare, and industrial manufacturing, by identifying unexpected patterns that deviate from established norms in real-world data. Recent advancements in deep learning, specifically diffusion models (DMs), have sparked significant interest due to their ability to learn complex data distributions and generate high-fidelity samples, offering a robust framework for unsupervised AD. In this survey, we comprehensively review anomaly detection and generation with diffusion models (ADGDM), presenting a tutorial-style analysis of the theoretical foundations and practical implementations and spanning images, videos, time series, tabular, and multimodal data. Crucially, unlike existing surveys that often treat anomaly detection and generation as separate problems, we highlight their inherent synergistic relationship. We reveal how DMs enable a reinforcing cycle where generation techniques directly address the fundamental challenge of anomaly data scarcity, while detection methods provide critical feedback to improve generation fidelity and relevance, advancing both capabilities beyond their individual potential. A detailed taxonomy categorizes ADGDM methods based on anomaly scoring mechanisms, conditioning strategies, and architectural designs, analyzing their strengths and limitations. We final discuss key challenges including scalability and computational efficiency, and outline promising future directions such as efficient architectures, conditioning strategies, and integration with foundation models (e.g., visual-language models and large language models). By synthesizing recent advances and outlining open research questions, this survey aims to guide researchers and practitioners in leveraging DMs for innovative AD solutions across diverse applications.
• Abstract（参考訳）: 異常検出(AD)は、サイバーセキュリティ、金融、医療、工業など、さまざまな分野において重要な役割を担い、現実のデータにおける確立された規範から逸脱する予期せぬパターンを識別する。 近年のディープラーニング、特に拡散モデル(DM)の進歩は、複雑なデータ分布を学習し、高忠実度サンプルを生成する能力から大きな関心を集め、教師なしADのための堅牢なフレームワークを提供している。 本研究では,拡散モデル(ADGDM)による異常検出と生成を概観的にレビューし,理論的基礎と実践的実装のチュートリアルスタイルの分析を行い,画像,ビデオ,時系列,表,マルチモーダルデータにまたがる解析を行った。 重要なことは、しばしば異常検出と生成を別の問題として扱う既存の調査とは異なり、我々はそれら固有の相乗的関係を強調している。 生成手法が異常データ不足の根本的な問題に直接対処する上で,DMがいかにして強化サイクルを実現するかを明らかにする。 詳細な分類学では、ADGDM法は異常スコアリング機構、条件付け戦略、建築設計に基づいて分類され、その強度と限界を分析している。 最後に、スケーラビリティと計算効率を含む主要な課題について論じ、効率的なアーキテクチャ、条件付け戦略、基礎モデル(例えば、視覚言語モデルと大規模言語モデル)との統合といった将来的な方向性を概説する。 近年の進歩を総合化し,オープンな研究課題を概説することによって,様々なアプリケーションにまたがる革新的なADソリューションとして,DMを活用する研究者や実践者を指導することを目的としている。

関連論文リスト

• Out-of-Distribution Detection on Graphs: A Survey [58.47395497985277]
  グラフアウト・オブ・ディストリビューション(GOOD)検出は、トレーニング中に見られる分布から逸脱するグラフデータを特定することに焦点を当てる。 既存の手法を,拡張ベース,再構築ベース,情報伝達ベース,分類ベースという4つのタイプに分類する。 本稿では,グラフデータによるユニークな課題を浮き彫りにして,実践的応用と理論的基礎について論じる。
  論文  参考訳（メタデータ） (2025-02-12T04:07:12Z)
• A Survey on Diffusion Models for Anomaly Detection [41.22298168457618]
  拡散モデル(DM)は、生成AIモデルの強力なクラスとして登場した。 DMADは、ますます複雑で高次元のデータにおける偏差を特定するための有望なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-01-20T12:06:54Z)
• Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
  構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。 近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
  論文  参考訳（メタデータ） (2023-06-20T14:21:58Z)

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。