論文の概要: Text Anomaly Detection with Simplified Isolation Kernel

• arxiv url: http://arxiv.org/abs/2510.13197v1
• Date: Wed, 15 Oct 2025 06:35:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.52646
• Title: Text Anomaly Detection with Simplified Isolation Kernel
• Title（参考訳）: 簡易孤立カーネルによるテキスト異常検出
• Authors: Yang Cao, Sikun Yang, Yujiu Yang, Lianyong Qi, Ming Liu,
• Abstract要約: 2段階のアプローチでは、事前訓練された大きな言語モデル埋め込みと異常検出を組み合わせている。 大規模言語モデルによって抽出された高次元密度埋め込みは、かなりのメモリ要件と高い計算時間のために課題を提起する。 本稿では,高次元密度埋め込みを低次元スパース表現にマッピングする簡易分離カーネル(SIK)を提案する。
• 参考スコア（独自算出の注目度）: 58.13924648777626
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Two-step approaches combining pre-trained large language model embeddings and anomaly detectors demonstrate strong performance in text anomaly detection by leveraging rich semantic representations. However, high-dimensional dense embeddings extracted by large language models pose challenges due to substantial memory requirements and high computation time. To address this challenge, we introduce the Simplified Isolation Kernel (SIK), which maps high-dimensional dense embeddings to lower-dimensional sparse representations while preserving crucial anomaly characteristics. SIK has linear time complexity and significantly reduces space complexity through its innovative boundary-focused feature mapping. Experiments across 7 datasets demonstrate that SIK achieves better detection performance than 11 state-of-the-art (SOTA) anomaly detection algorithms while maintaining computational efficiency and low memory cost. All code and demonstrations are available at https://github.com/charles-cao/SIK.
• Abstract（参考訳）: 事前訓練された大言語モデル埋め込みと異常検出を組み合わせた2段階のアプローチは、リッチな意味表現を利用してテキスト異常検出において強い性能を示す。 しかし、大規模言語モデルによって抽出された高次元密度埋め込みは、かなりのメモリ要件と高い計算時間のために問題を引き起こす。 この課題に対処するために,高次元密度埋め込みを低次元スパース表現にマッピングし,重要な異常特性を保ったSimplified isolated Kernel(SIK)を導入する。 SIKは線形時間複雑性を持ち、その革新的な境界中心の機能マッピングによって空間の複雑さを著しく低減する。 7つのデータセットにわたる実験により、SIKは計算効率と低メモリコストを維持しながら、11の最先端(SOTA)異常検出アルゴリズムよりも優れた検出性能を実現することが示された。 すべてのコードとデモはhttps://github.com/charles-cao/SIKで公開されている。

関連論文リスト

• Isolation-based Spherical Ensemble Representations for Anomaly Detection [60.989157958972356]
  不正検出、ネットワークセキュリティ、ログ監視を対象とするアプリケーションによるデータマイニングと管理において、異常検出は重要なタスクである。 既存の教師なし異常検出手法は、分散仮定の矛盾、計算の非効率性、異なる異常型を扱う難しさなど、基本的な課題に直面している。 Isolation-based Spherical Ensemble Representations (ISER) は, 局所密度特性のプロキシとしてハイパースフィアラジイを用いて, 線形時間と定数空間の複雑さを保ちながら, 既存の分離法を拡張したものである。
  論文  参考訳（メタデータ） (2025-10-15T09:00:05Z)
• SDS-Net: Shallow-Deep Synergism-detection Network for infrared small target detection [0.18641315013048293]
  現在のCNNに基づく赤外小目標検出法は,浅部特徴と深部特徴の均一性を見落としている。 依存関係の関係と融合機構は、マルチレベル機能の相補性を十分に活用できない。 本稿では,マルチレベル特徴表現を効率的にモデル化する浅層深度相乗効果検出ネットワーク(SDS-Net)を提案する。
  論文  参考訳（メタデータ） (2025-06-06T12:44:41Z)
• Efficient High-Resolution Visual Representation Learning with State Space Model for Human Pose Estimation [60.80423207808076]
  高解像度の視覚表現を維持しながら長距離依存関係をキャプチャすることは、人間のポーズ推定のような密集した予測タスクに不可欠である。 マルチスケールの畳み込み操作で視覚状態空間モデルを拡張する動的ビジュアル状態空間(DVSS)ブロックを提案する。 HRVMambaは効率的な高分解能表現学習のための新しいモデルである。
  論文  参考訳（メタデータ） (2024-10-04T06:19:29Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Neural Architecture Search for Visual Anomaly Segmentation [4.035753155957698]
  本稿では,視覚異常のセグメンテーションの複雑な課題に対するニューラル・アーキテクチャ・サーチの最初の応用について述べる。 既存のメトリクスの代替として、地域重み付き平均精度(rwAP)メトリクスが提案されている。 トレーニングなしで視覚異常の効率的なセグメンテーションを可能にするAutoPatchニューラルアーキテクチャ探索法が提案されている。
  論文  参考訳（メタデータ） (2023-04-18T13:15:00Z)
• FRE: A Fast Method For Anomaly Detection And Segmentation [5.0468312081378475]
  本稿では,視覚異常検出とセグメンテーション問題を解決するための原理的アプローチを提案する。 本稿では,事前学習したDNNが生み出す中間特性に対する線形統計量次元削減手法の適用について述べる。 高次元空間における原特徴と低次元縮小埋め込みの前像との差の$ell$-normのEmphfeature reconstruction error (FRE) が異常検出に極めて有効であることを示す。
  論文  参考訳（メタデータ） (2022-11-23T01:03:20Z)
• Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature Selection [138.97647716793333]
  再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。 提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
  論文  参考訳（メタデータ） (2020-12-29T04:08:38Z)

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。