論文の概要: Scalable, Explainable and Provably Robust Anomaly Detection with One-Step Flow Matching

• arxiv url: http://arxiv.org/abs/2510.18328v1
• Date: Tue, 21 Oct 2025 06:26:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:13.027093
• Title: Scalable, Explainable and Provably Robust Anomaly Detection with One-Step Flow Matching
• Title（参考訳）: ワンステップフローマッチングによるスケーラブルで説明可能なロバストな異常検出
• Authors: Zhong Li, Qi Huang, Yuxuan Zhu, Lincen Yang, Mohammad Mohammadi Amiri, Niki van Stein, Matthijs van Leeuwen,
• Abstract要約: Time-Conditioned Contraction Matching is a novel method for semi-supervised anomaly detection in tabular data。 これは、確率分布間の速度場を学習する最近の生成モデリングフレームワークであるフローマッチングにインスパイアされている。 ADBenchベンチマークの大規模な実験により、TCCMは検出精度と推論コストのバランスが良好であることが示されている。
• 参考スコア（独自算出の注目度）: 14.503330877000758
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We introduce Time-Conditioned Contraction Matching (TCCM), a novel method for semi-supervised anomaly detection in tabular data. TCCM is inspired by flow matching, a recent generative modeling framework that learns velocity fields between probability distributions and has shown strong performance compared to diffusion models and generative adversarial networks. Instead of directly applying flow matching as originally formulated, TCCM builds on its core idea -- learning velocity fields between distributions -- but simplifies the framework by predicting a time-conditioned contraction vector toward a fixed target (the origin) at each sampled time step. This design offers three key advantages: (1) a lightweight and scalable training objective that removes the need for solving ordinary differential equations during training and inference; (2) an efficient scoring strategy called one time-step deviation, which quantifies deviation from expected contraction behavior in a single forward pass, addressing the inference bottleneck of existing continuous-time models such as DTE (a diffusion-based model with leading anomaly detection accuracy but heavy inference cost); and (3) explainability and provable robustness, as the learned velocity field operates directly in input space, making the anomaly score inherently feature-wise attributable; moreover, the score function is Lipschitz-continuous with respect to the input, providing theoretical guarantees under small perturbations. Extensive experiments on the ADBench benchmark show that TCCM strikes a favorable balance between detection accuracy and inference cost, outperforming state-of-the-art methods -- especially on high-dimensional and large-scale datasets. The source code is available at our GitHub repository.
• Abstract（参考訳）: 本稿では,表データの半教師付き異常検出手法であるTCCM(Time-Conditioned Contraction Matching)を紹介する。 TCCMは,確率分布間の速度場を学習し,拡散モデルや生成逆ネットワークと比較して高い性能を示した最近の生成モデルフレームワークであるフローマッチングにインスパイアされている。 もともと定式化されたフローマッチングを直接適用するのではなく、TCCMはその中核となるアイデア – 分布間の速度場を学ぶ – に基づいていますが、各サンプリングされた時間ステップにおいて、固定された目標(起点)に対して、時間条件の収縮ベクトルを予測することによって、フレームワークを単純化します。 本設計は,(1)訓練と推論中に通常の微分方程式を解く必要性を解消する軽量でスケーラブルな学習目標,(2)DTEのような既存の連続時間モデルの推論ボトルネックに対処する1段階偏差と呼ばれる効率的な評価戦略,(3)学習速度場が入力空間内で直接動作し,異常値が本質的に機能的に帰属可能であること,さらに,スコア関数は入力に対してリプシッツ連続性であり,小さな摂動の下で理論的な保証を提供すること,の3つの利点を提供する。 ADBenchベンチマークの大規模な実験によると、TCMは検出精度と推論コストのバランスが良好であることを示し、特に高次元および大規模データセットにおいて最先端の手法よりも優れている。 ソースコードはGitHubリポジトリから入手可能です。

関連論文リスト

• SCOPED: Score-Curvature Out-of-distribution Proximity Evaluator for Diffusion [5.008779702997125]
  アウト・オブ・ディストリビューション(OOD)検出は、視覚、ロボット工学、強化学習などにおける機械学習システムの信頼性の高い展開に不可欠である。 SCOPED(Score-Curvature Out-of-distribution Proximity Evaluator for Diffusion)を紹介する。 SCOPEDは、多様なデータセットでトレーニングされた単一の拡散モデルから計算され、モデルのスコア関数のジャコビアントレースと2乗ノルムを単一のテスト統計量に結合する。 4つのビジョンベンチマークでは、SCOPEDは計算コストの低いにもかかわらず、競合または最先端の精度リコールスコアを達成している。
  論文  参考訳（メタデータ） (2025-10-01T20:54:49Z)
• CoCAI: Copula-based Conformal Anomaly Identification for Multivariate Time-Series [0.3495246564946556]
  本稿では、生成人工知能とコプラに基づくモデリングの力を利用して、正確な予測を行い、堅牢な異常検出を可能にする新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-23T14:15:31Z)
• Improving Consistency Models with Generator-Augmented Flows [16.049476783301724]
  一貫性モデルは、ニューラルネットワークの単一前方通過におけるスコアベース拡散の多段階サンプリングを模倣する。 それらは、一貫性の蒸留と一貫性のトレーニングの2つの方法を学ぶことができる。 本稿では,一貫性モデルから得られたノイズデータを対応する出力へ転送する新しい流れを提案する。
  論文  参考訳（メタデータ） (2024-06-13T20:22:38Z)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Design and Prototyping Distributed CNN Inference Acceleration in Edge Computing [85.74517957717363]
  HALPはエッジコンピューティングにおけるエッジデバイス(ED)間のシームレスなコラボレーションを設計することで推論を加速する。 実験により、分散推論HALPはVGG-16に対して1.7倍の推論加速を達成することが示された。 分散推論HALPを用いたモデル選択は,サービスの信頼性を著しく向上させることができる。
  論文  参考訳（メタデータ） (2022-11-24T19:48:30Z)

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。