論文の概要: Deep Context-Conditioned Anomaly Detection for Tabular Data

• arxiv url: http://arxiv.org/abs/2509.09030v1
• Date: Wed, 10 Sep 2025 22:01:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.161105
• Title: Deep Context-Conditioned Anomaly Detection for Tabular Data
• Title（参考訳）: 語彙データに対する文脈依存型異常検出
• Authors: Spencer King, Zhilu Zhang, Ruofan Yu, Baris Coskun, Wei Ding, Qian Cui,
• Abstract要約: 異常検出は、サイバーセキュリティやファイナンスといった分野において重要である。 本稿では,文脈条件の異常検出フレームワークを提案する。 提案手法は,コンテキストの特徴を自動的に識別し,条件付きデータ分布をモデル化する。
• 参考スコア（独自算出の注目度）: 9.58464841713335
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection is critical in domains such as cybersecurity and finance, especially when working with large-scale tabular data. Yet, unsupervised anomaly detection -- where no labeled anomalies are available -- remains a significant challenge. Although various deep learning methods have been proposed to model a dataset's joint distribution, real-world tabular data often contain heterogeneous contexts (e.g., different users), making globally rare events normal under certain contexts. Consequently, relying on a single global distribution can overlook these contextual nuances, degrading detection performance. In this paper, we present a context-conditional anomaly detection framework tailored for tabular datasets. Our approach automatically identifies context features and models the conditional data distribution using a simple deep autoencoder. Extensive experiments on multiple tabular benchmark datasets demonstrate that our method outperforms state-of-the-art approaches, underscoring the importance of context in accurately distinguishing anomalous from normal instances.
• Abstract（参考訳）: 異常検出は、サイバーセキュリティやファイナンスといった分野、特に大規模な表データを扱う場合に重要である。 しかし、ラベル付き異常が存在しない、教師なしの異常検出は依然として重大な課題である。 データセットの結合分布をモデル化するための様々なディープラーニング手法が提案されているが、実世界の表層データには異質なコンテキスト(例えば、異なるユーザ)が含まれており、特定のコンテキスト下ではグローバルに稀なイベントを正常にすることが多い。 したがって、単一のグローバル分布に依存することで、これらのコンテキストニュアンスを見落とし、検出性能を劣化させることができる。 本稿では,表付きデータセットに適した文脈条件異常検出フレームワークを提案する。 提案手法は文脈特徴を自動的に識別し,簡単なディープオートエンコーダを用いて条件付きデータ分布をモデル化する。 複数の表付きベンチマークデータセットに対する大規模な実験により、我々の手法は最先端のアプローチよりも優れており、通常のインスタンスと異常を正確に区別する上で、コンテキストの重要性が強調されている。

関連論文リスト

• A Dataset for Semantic Segmentation in the Presence of Unknowns [49.795683850385956]
  既存のデータセットは、既知のものや未知のもののみの評価を可能にするが、両方ではない。 乱雑な実環境からの多様な異常な入力を特徴とする,新しい異常セグメンテーションデータセットISSUを提案する。 データセットは、既存の異常セグメンテーションデータセットの2倍大きい。
  論文  参考訳（メタデータ） (2025-03-28T10:31:01Z)
• Tab-Shapley: Identifying Top-k Tabular Data Quality Insights [7.666573679741346]
  本研究では,データの異常な性質に対する各属性の寄与を定量化するために,Shapley値を用いた協調ゲーム理論に基づくフレームワークであるTab-Shapleyを紹介する。 シェープリー値の計算は通常指数時間を必要とするが、我々のゲームはクローズドフォームの解を認め、計算を効率的にすることを示した。
  論文  参考訳（メタデータ） (2025-01-12T02:24:55Z)
• Anomaly Detection by Context Contrasting [57.695202846009714]
  異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。 近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。 我々はコンテキスト拡張を通じて学習するCon$を提案する。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• 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)
• Harnessing Contrastive Learning and Neural Transformation for Time Series Anomaly Detection [0.0]
  時系列異常検出(TSAD)は多くの産業応用において重要な役割を担っている。 コントラスト学習は、ラベルのないデータから意味のある表現を抽出する過程において、時系列領域で勢いを増している。 本研究では,学習可能な変換で強化されたウィンドウベースのコントラスト学習戦略を取り入れた新しいアプローチであるCNTを提案する。
  論文  参考訳（メタデータ） (2023-04-16T21:36:19Z)
• AGAD: Adversarial Generative Anomaly Detection [12.68966318231776]
  異常検出は,異常の多様性と大規模異常データ取得の困難さにより異常の欠如に悩まされた。 本稿では,自己コントラストに基づく異常検出パラダイムであるAdversarial Generative Anomaly Detection (AGAD)を提案する。 本手法は,教師付きおよび半教師付き両方の異常検出シナリオに対して擬似異常データを生成する。
  論文  参考訳（メタデータ） (2023-04-09T10:40:02Z)
• Toward Deep Supervised Anomaly Detection: Reinforcement Learning from Partially Labeled Anomaly Data [150.9270911031327]
  本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。 既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。 そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-09-15T03:05:39Z)

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。