論文の概要: UniOD: A Universal Model for Outlier Detection across Diverse Domains

• arxiv url: http://arxiv.org/abs/2507.06624v1
• Date: Wed, 09 Jul 2025 07:52:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.511927
• Title: UniOD: A Universal Model for Outlier Detection across Diverse Domains
• Title（参考訳）: UniOD: さまざまなドメインをまたいだ外乱検出のためのユニバーサルモデル
• Authors: Dazhi Fu, Jicong Fan,
• Abstract要約: Outlier Detection(OD)は、完全にラベル付けされていないデータセットにおいて、inlierとoutlierを区別することを目指している。 ラベル付きデータセットを活用する汎用ODフレームワークUniODを提案する。 We evaluate UniOD on 15 benchmark OD datasets against 15 state-of-the-art baselines, showed its effective。
• 参考スコア（独自算出の注目度）: 22.653890395053207
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Outlier detection (OD) seeks to distinguish inliers and outliers in completely unlabeled datasets and plays a vital role in science and engineering. Most existing OD methods require troublesome dataset-specific hyperparameter tuning and costly model training before they can be deployed to identify outliers. In this work, we propose UniOD, a universal OD framework that leverages labeled datasets to train a single model capable of detecting outliers of datasets from diverse domains. Specifically, UniOD converts each dataset into multiple graphs, produces consistent node features, and frames outlier detection as a node-classification task, and is able to generalize to unseen domains. As a result, UniOD avoids effort on model selection and hyperparameter tuning, reduces computational cost, and effectively utilizes the knowledge from historical datasets, which improves the convenience and accuracy in real applications. We evaluate UniOD on 15 benchmark OD datasets against 15 state-of-the-art baselines, demonstrating its effectiveness.
• Abstract（参考訳）: 外乱検出(OD)は、完全にラベル付けされていないデータセットで不整点と外乱点を区別し、科学と工学において重要な役割を果たす。 既存のODメソッドの多くは、異常なデータセット固有のハイパーパラメータチューニングと、アウトリーチを特定するためにデプロイする前にコストのかかるモデルトレーニングが必要です。 本研究では,ラベル付きデータセットを活用する汎用ODフレームワークであるUniODを提案し,多様なドメインからデータセットの外れ値を検出することのできる単一モデルをトレーニングする。 具体的には、UniODは各データセットを複数のグラフに変換し、一貫したノード特徴を生成し、ノード分類タスクとして外乱検出をフレーム化し、目に見えないドメインに一般化することができる。 結果として、UniODはモデル選択とハイパーパラメータチューニングの労力を回避し、計算コストを削減し、過去のデータセットからの知識を効果的に活用し、実際のアプリケーションの利便性と精度を向上させる。 We evaluate UniOD on 15 benchmark OD datasets against 15 state-of-the-art baselines, showed its effective。

関連論文リスト

• Zero-shot Outlier Detection via Prior-data Fitted Networks: Model Selection Bygone! [28.823740273813296]
  FoMo-0Dは、表データの0/0ショットODのための事前訓練されたファンデーションモデルである。 パラメータを微調整することなく、テストサンプルの(より低い/より低い)ラベルを直接予測できる。 57の実世界のデータセットに対する実験は、FoMo-0Dが非常に競争力があることを示している。
  論文  参考訳（メタデータ） (2024-09-09T14:41:24Z)
• ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
  ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。 各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
  論文  参考訳（メタデータ） (2024-05-27T02:42:33Z)
• DACAD: Domain Adaptation Contrastive Learning for Anomaly Detection in Multivariate Time Series [61.91288852233078]
  時系列異常検出では、ラベル付きデータの不足が正確なモデルの開発に困難をもたらす。 時系列における異常検出のための新しいドメインコントラスト学習モデル(DACAD)を提案する。 本モデルでは,ソース領域に対する教師付きコントラスト損失と,ターゲット領域に対する自己監督型コントラスト型3重項損失を用いる。
  論文  参考訳（メタデータ） (2024-04-17T11:20:14Z)
• Interpretable Out-Of-Distribution Detection Using Pattern Identification [0.0]
  データベースプログラムのアウト・オブ・ディストリビューション(OoD)検出は最重要課題である。 文献における一般的なアプローチは、イン・オブ・ディストリビューション(in-distriion、IoD)とOoDバリデーション・サンプルを必要とする検出器を訓練する傾向がある。 我々は、より解釈可能で堅牢なOoD検出器を構築するために、説明可能なAI、すなわちPartialulパターン識別アルゴリズムから既存の研究を活用することを提案する。
  論文  参考訳（メタデータ） (2023-01-24T15:35:54Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• Self-Trained One-class Classification for Unsupervised Anomaly Detection [56.35424872736276]
  異常検出(AD)は、製造から医療まで、さまざまな分野に応用されている。 本研究は、トレーニングデータ全体がラベル付けされておらず、正規サンプルと異常サンプルの両方を含む可能性のある、教師なしAD問題に焦点を当てる。 この問題に対処するため,データリファインメントによる堅牢な一級分類フレームワークを構築した。 本手法は6.3AUCと12.5AUCの平均精度で最先端の1クラス分類法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-11T01:36:08Z)
• Automating Outlier Detection via Meta-Learning [37.736124230543865]
  メタ学習をベースとした,Overier検出のためのモデル選択のための,最初の原則付きデータ駆動型アプローチであるMetaODを開発した。 検出モデルの選択におけるMetaODの有効性を示す。 この新しい問題をさらに研究するために、私たちはメタラーニングシステム全体、ベンチマーク環境、テストベッドデータセットをオープンソース化しました。
  論文  参考訳（メタデータ） (2020-09-22T15:14:45Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。