Fugu-MT 論文翻訳(概要): Diffusion-Scheduled Denoising Autoencoders for Anomaly Detection in Tabular Data

論文の概要: Diffusion-Scheduled Denoising Autoencoders for Anomaly Detection in Tabular Data

arxiv url: http://arxiv.org/abs/2508.00758v1
Date: Fri, 01 Aug 2025 16:33:18 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-04 18:08:53.958201
Title: Diffusion-Scheduled Denoising Autoencoders for Anomaly Detection in Tabular Data
Title（参考訳）: 拡散スケジューリングによるタブラリデータの異常検出用デノイングオートエンコーダ
Authors: Timur Sattarov, Marco Schreyer, Damian Borth,
Abstract要約: 拡散型ノイズスケジューリングとコントラスト学習を統合し,異常検出を改善するフレームワークであるDiffusion-Scheduled Denoising Autoencoder (DDAE)を提案する。提案手法は半教師付きセッティングにおいて優れ,非教師付きセッティングにおいて競争結果が得られ,PR-AUCを最大65%(9%)改善し,OC-AUCを16%(6%)改善する。
参考スコア（独自算出の注目度）: 5.182014186927255
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Anomaly detection in tabular data remains challenging due to complex feature interactions and the scarcity of anomalous examples. Denoising autoencoders rely on fixed-magnitude noise, limiting adaptability to diverse data distributions. Diffusion models introduce scheduled noise and iterative denoising, but lack explicit reconstruction mappings. We propose the Diffusion-Scheduled Denoising Autoencoder (DDAE), a framework that integrates diffusion-based noise scheduling and contrastive learning into the encoding process to improve anomaly detection. We evaluated DDAE on 57 datasets from ADBench. Our method outperforms in semi-supervised settings and achieves competitive results in unsupervised settings, improving PR-AUC by up to 65% (9%) and ROC-AUC by 16% (6%) over state-of-the-art autoencoder (diffusion) model baselines. We observed that higher noise levels benefit unsupervised training, while lower noise with linear scheduling is optimal in semi-supervised settings. These findings underscore the importance of principled noise strategies in tabular anomaly detection.
Abstract（参考訳）: 表形式のデータの異常検出は、複雑な特徴の相互作用と異常な例の不足のため、依然として困難である。デノイングオートエンコーダは固定磁気ノイズに依存し、多様なデータ分布への適応性を制限する。拡散モデルは、スケジュールされたノイズと反復的なデノゲーションを導入するが、明示的な再構成マッピングは欠如している。拡散型ノイズスケジューリングとコントラスト学習を統合し,異常検出を改善するフレームワークであるDiffusion-Scheduled Denoising Autoencoder (DDAE)を提案する。 ADBenchの57データセット上でDDAEを評価した。提案手法は半教師付きセッティングにおいて優れ,非教師付きセッティングにおいて競争結果が得られ,PR-AUCを最大65%(9%)改善し,OC-AUCを16%(6%)改善する。半教師付き環境では、線形スケジューリングによる低雑音が最適であるのに対し、より高い雑音レベルは教師なし訓練の恩恵を受ける。これらの知見は, タブ状異常検出におけるノイズ戦略の重要性を浮き彫りにした。

関連論文リスト

Noise Conditional Variational Score Distillation [60.38982038894823]
騒音条件変化スコア蒸留(NCVSD)は, 予混合拡散モデルから生成消音剤を蒸留する新しい方法である。この知見を変分スコア蒸留フレームワークに組み込むことで、生成的デノイザのスケーラブルな学習を可能にする。
論文参考訳（メタデータ） (2025-06-11T06:01:39Z)
Noise Augmented Fine Tuning for Mitigating Hallucinations in Large Language Models [1.0579965347526206]
大規模言語モデル(LLM)は、しばしば不正確な、または誤解を招くコンテンツ・ハロシンを生成する。 noise-Augmented Fine-Tuning (NoiseFiT) は適応ノイズ注入を利用してモデルロバスト性を高める新しいフレームワークである。 NoiseFiTは、動的にスケールしたガウス雑音を用いて、高SNR(より堅牢)または低SNR(潜在的に過正規化)と同定された層を選択的に摂動する。
論文参考訳（メタデータ） (2025-04-04T09:27:19Z)
Unsupervised CP-UNet Framework for Denoising DAS Data with Decay Noise [13.466125373185399]
分散音響センサ(DAS)技術は光ファイバーケーブルを利用して音響信号を検出する。 DASは、ジオフォンよりも低い信号対雑音比(S/N)を示す。これにより、S/Nの低減は、反転と解釈を含むデータ解析に悪影響を及ぼす。
論文参考訳（メタデータ） (2025-02-19T03:09:49Z)
DenoMAE: A Multimodal Autoencoder for Denoising Modulation Signals [21.25974800554959]
デノマエ(DenoMAE)は、プレトレーニング中に変調信号を復調するための新しいフレームワークである。ノイズを含む複数の入力モダリティを組み込んで、クロスモーダル学習を強化する。自動変調分類タスクにおける最先端の精度を実現する。
論文参考訳（メタデータ） (2025-01-20T15:23:16Z)
SoftPatch: Unsupervised Anomaly Detection with Noisy Data [67.38948127630644]
本稿では,画像センサ異常検出におけるラベルレベルのノイズを初めて考察する。本稿では,メモリベースの非教師付きAD手法であるSoftPatchを提案する。既存の手法と比較して、SoftPatchは通常のデータの強力なモデリング能力を維持し、コアセットにおける過信問題を軽減する。
論文参考訳（メタデータ） (2024-03-21T08:49:34Z)
DiffSED: Sound Event Detection with Denoising Diffusion [70.18051526555512]
生成学習の観点からSED問題を再構築する。具体的には,騒音拡散過程において,雑音のある提案から音の時間境界を生成することを目的としている。トレーニング中は,ノイズの多い遅延クエリを基本バージョンに変換することで,ノイズ発生過程の逆転を学習する。
論文参考訳（メタデータ） (2023-08-14T17:29:41Z)
Denoising Diffusion Autoencoders are Unified Self-supervised Learners [58.194184241363175]
本稿では,拡散モデルにおけるネットワーク,すなわち拡散オートエンコーダ(DDAE)が,自己教師型学習者の統合であることを示す。 DDAEはすでに、補助エンコーダを使わずに、中間層内で線形分離可能な表現を強く学習している。 CIFAR-10 と Tiny-ImageNet の線形評価精度は95.9% と 50.0% である。
論文参考訳（メタデータ） (2023-03-17T04:20:47Z)
The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。正規データのみを用いた教師なし異常検出手法が提案されている。空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文参考訳（メタデータ） (2023-01-19T21:39:38Z)
Guided Diffusion Model for Adversarial Purification [103.4596751105955]
敵攻撃は、様々なアルゴリズムやフレームワークでディープニューラルネットワーク(DNN)を妨害する。本稿では,GDMP ( Guided diffusion model for purification) と呼ばれる新しい精製法を提案する。様々なデータセットにわたる包括的実験において,提案したGDMPは,敵対的攻撃によって引き起こされた摂動を浅い範囲に減少させることを示した。
論文参考訳（メタデータ） (2022-05-30T10:11:15Z)
Denoising Distantly Supervised Named Entity Recognition via a Hypergeometric Probabilistic Model [26.76830553508229]
ハイパージオメトリ・ラーニング(HGL)は、遠距離教師付きエンティティ認識のための認知アルゴリズムである。 HGLはノイズ分布とインスタンスレベルの信頼性の両方を考慮に入れている。実験により、HGLは遠方の監督から取得した弱いラベル付きデータを効果的に復調できることが示された。
論文参考訳（メタデータ） (2021-06-17T04:01:25Z)
Adaptive noise imitation for image denoising [58.21456707617451]
本研究では,自然雑音画像からノイズデータを合成できる新しいテキストバッファ適応ノイズ模倣(ADANI)アルゴリズムを開発した。現実的なノイズを生成するため、ノイズ発生装置はノイズ発生のガイドとなる雑音/クリーン画像を入力として利用する。 ADANIから出力されるノイズデータとそれに対応する基盤構造とを結合すると、デノイングCNNは、完全に教師された方法で訓練される。
論文参考訳（メタデータ） (2020-11-30T02:49:36Z)

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。