論文の概要: On Uniformly Scaling Flows: A Density-Aligned Approach to Deep One-Class Classification

• arxiv url: http://arxiv.org/abs/2510.09452v1
• Date: Fri, 10 Oct 2025 15:01:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:49.302022
• Title: On Uniformly Scaling Flows: A Density-Aligned Approach to Deep One-Class Classification
• Title（参考訳）: 一様スケーリングフローについて:ディープワンクラス分類への密度調整的アプローチ
• Authors: Faried Abu Zaid, Tim Katzke, Emmanuel Müller, Daniel Neider,
• Abstract要約: 一定のジャコビアン行列式で一様スケールフロー(USF)が正規化されることが示される。 この理論的ブリッジは、USFがフローの密度忠実度と一級法の距離に基づく推論の両方を継承することを意味する。 我々は、現代の異常検出アーキテクチャにおいて、USFを非USFのドロップイン代替として使用することを提唱する。
• 参考スコア（独自算出の注目度）: 5.687642911607274
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised anomaly detection is often framed around two widely studied paradigms. Deep one-class classification, exemplified by Deep SVDD, learns compact latent representations of normality, while density estimators realized by normalizing flows directly model the likelihood of nominal data. In this work, we show that uniformly scaling flows (USFs), normalizing flows with a constant Jacobian determinant, precisely connect these approaches. Specifically, we prove how training a USF via maximum-likelihood reduces to a Deep SVDD objective with a unique regularization that inherently prevents representational collapse. This theoretical bridge implies that USFs inherit both the density faithfulness of flows and the distance-based reasoning of one-class methods. We further demonstrate that USFs induce a tighter alignment between negative log-likelihood and latent norm than either Deep SVDD or non-USFs, and how recent hybrid approaches combining one-class objectives with VAEs can be naturally extended to USFs. Consequently, we advocate using USFs as a drop-in replacement for non-USFs in modern anomaly detection architectures. Empirically, this substitution yields consistent performance gains and substantially improved training stability across multiple benchmarks and model backbones for both image-level and pixel-level detection. These results unify two major anomaly detection paradigms, advancing both theoretical understanding and practical performance.
• Abstract（参考訳）: 教師なしの異常検出は、2つの広く研究されているパラダイムにフレーム化されることが多い。 ディープSVDDによって例示されたディープワンクラス分類は、正規性のコンパクトな潜在表現を学習し、一方密度推定器は正規化フローによって実現され、名目データの可能性を直接モデル化する。 本研究では, 定常ジャコビアン行列式による流れの正規化を行う一様スケールフロー(USF)が, これらのアプローチを正確に結合することを示す。 具体的には,USFの最大化によるトレーニングが,表現的崩壊を本質的に防止する独自の正規化によって,Deep SVDD目標に還元されることを示す。 この理論的ブリッジは、USFがフローの密度忠実度と一級法の距離に基づく推論の両方を継承することを意味する。 さらに、USFは、ディープSVDDまたは非USFよりも負の対数類似度と潜在ノルムの密接な一致を誘導し、最近の1級目的とVAEを組み合わせたハイブリッドアプローチをUSFに自然に拡張できることを実証した。 その結果、現代の異常検出アーキテクチャにおいて、USFを非USFのドロップイン代替として使用することを提唱した。 この置換は、画像レベルとピクセルレベルの両方の検出のための複数のベンチマークとモデルバックボーンで、一貫したパフォーマンス向上と、トレーニングの安定性を大幅に改善する。 これらの結果は、2つの主要な異常検出パラダイムを統一し、理論的理解と実用性能の両方を前進させる。

関連論文リスト

• Solving Inverse Problems with FLAIR [59.02385492199431]
  フローベースの潜在生成モデルは、驚くべき品質の画像を生成でき、テキスト・ツー・イメージ生成も可能である。 本稿では,フローベース生成モデルを逆問題の前兆として活用する新しい学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
  モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。 従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。 これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
  論文  参考訳（メタデータ） (2024-07-16T06:38:49Z)
• TWINS: A Fine-Tuning Framework for Improved Transferability of Adversarial Robustness and Generalization [89.54947228958494]
  本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。 本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。 TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
  論文  参考訳（メタデータ） (2023-03-20T14:12:55Z)
• Generative Modeling with Flow-Guided Density Ratio Learning [12.192867460641835]
  Flow-Guided Density Ratio Learning (FDRL)は、生成モデルに対するシンプルでスケーラブルなアプローチである。 我々は,FDRLが128時間128ドルの高次元の画像を生成するとともに,既存の勾配流ベースラインを定量的なベンチマークで上回っていることを示す。
  論文  参考訳（メタデータ） (2023-03-07T07:55:52Z)
• Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
  変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。 よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
  論文  参考訳（メタデータ） (2021-10-24T07:58:13Z)
• Flow-based SVDD for anomaly detection [12.319113026372966]
  FlowSVDDは、異常/異常検知のためのフローベースの1クラス分類器である。 提案モデルはフローベースモデルを用いてインスタンス化され,超球面境界の単一点への崩壊を自然に防止する。 実験の結果,FlowSVDDは現在の最先端手法に匹敵する結果が得られ,ベンチマークデータセット上での深部SVDDメソッドよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2021-08-10T20:33:15Z)
• Simple and Effective Prevention of Mode Collapse in Deep One-Class Classification [93.2334223970488]
  深部SVDDにおける超球崩壊を防止するための2つの正則化器を提案する。 第1の正則化器は、標準のクロスエントロピー損失によるランダムノイズの注入に基づいている。 第2の正規化器は、小さすぎるとミニバッチ分散をペナライズする。
  論文  参考訳（メタデータ） (2020-01-24T03:44:47Z)

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。