論文の概要: Sparse, self-organizing ensembles of local kernels detect rare statistical anomalies

• arxiv url: http://arxiv.org/abs/2511.03095v1
• Date: Wed, 05 Nov 2025 00:55:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.282295
• Title: Sparse, self-organizing ensembles of local kernels detect rare statistical anomalies
• Title（参考訳）: 局所核のスパース・自己組織化アンサンブルは稀な統計的異常を検出する
• Authors: Gaia Grosso, Sai Sumedh R. Hindupur, Thomas Fel, Samuel Bright-Thonney, Philip Harris, Demba Ba,
• Abstract要約: 弱い信号や稀な信号は、通常のデータの明らかな規則性の中に隠され、異常を検出して解釈する能力のギャップを生じさせます。 統計的不均衡領域の周囲の表現空間を適応的に分割する自己組織型ローカルカーネルのクラスを提案する。 本稿では,提案モデルにおける検出と自己組織化を駆動するメカニズムに関する理論的知見を提供し,本手法が現実的な高次元問題に与える影響を実証する。
• 参考スコア（独自算出の注目度）: 7.472760645164855
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern artificial intelligence has revolutionized our ability to extract rich and versatile data representations across scientific disciplines. Yet, the statistical properties of these representations remain poorly controlled, causing misspecified anomaly detection (AD) methods to falter. Weak or rare signals can remain hidden within the apparent regularity of normal data, creating a gap in our ability to detect and interpret anomalies. We examine this gap and identify a set of structural desiderata for detection methods operating under minimal prior information: sparsity, to enforce parsimony; locality, to preserve geometric sensitivity; and competition, to promote efficient allocation of model capacity. These principles define a class of self-organizing local kernels that adaptively partition the representation space around regions of statistical imbalance. As an instantiation of these principles, we introduce SparKer, a sparse ensemble of Gaussian kernels trained within a semi-supervised Neyman--Pearson framework to locally model the likelihood ratio between a sample that may contain anomalies and a nominal, anomaly-free reference. We provide theoretical insights into the mechanisms that drive detection and self-organization in the proposed model, and demonstrate the effectiveness of this approach on realistic high-dimensional problems of scientific discovery, open-world novelty detection, intrusion detection, and generative-model validation. Our applications span both the natural- and computer-science domains. We demonstrate that ensembles containing only a handful of kernels can identify statistically significant anomalous locations within representation spaces of thousands of dimensions, underscoring both the interpretability, efficiency and scalability of the proposed approach.
• Abstract（参考訳）: 現代の人工知能は、科学分野にわたる豊かで多目的なデータ表現を抽出する能力に革命をもたらした。 しかし、これらの表現の統計的特性は制御が不十分であり、不特定な異常検出(AD)法が誤っている。 弱い信号や稀な信号は、通常のデータの明らかな規則性の中に隠され、異常を検出して解釈する能力のギャップを生じさせます。 このギャップを検証し,最小限の事前情報に基づく検出手法として,空間性,局所性,幾何学的感度の維持,およびモデルキャパシティの効率的な配分を促進するために,構造的デシラタのセットを同定する。 これらの原理は、統計的不均衡領域を中心に表現空間を適応的に分割する自己組織化された局所核のクラスを定義する。 これらの原理の即時化として、半教師付きNeyman-Pearsonフレームワークで訓練されたガウス核のスパースアンサンブルであるSparKerを導入し、異常を含む可能性のあるサンプルと、名目上、異常のない参照の確率比を局所的にモデル化する。 提案モデルにおける検出と自己組織化を駆動するメカニズムに関する理論的知見を提供し、科学的発見、オープンワールドの新規性検出、侵入検出、生成モデル検証の現実的な高次元問題に対するこのアプローチの有効性を実証する。 私たちの応用は自然科学とコンピュータ科学の両方に及びます。 少数のカーネルのみを含むアンサンブルは、数千次元の表現空間内の統計的に重要な異常な位置を識別でき、提案手法の解釈可能性、効率性、拡張性の両方を裏付けることを示した。

関連論文リスト

• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [54.85000884785013]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• Crane: Context-Guided Prompt Learning and Attention Refinement for Zero-Shot Anomaly Detection [50.343419243749054]
  異常検出は、医学診断や工業的欠陥検出などの分野において重要である。 CLIPの粗粒化画像テキストアライメントは、微粒化異常に対する局所化と検出性能を制限する。 クレーンは最先端のZSADを2%から28%に改善し、画像レベルとピクセルレベルの両方で、推論速度では競争力を維持している。
  論文  参考訳（メタデータ） (2025-04-15T10:42:25Z)
• Towards a Unified Framework of Clustering-based Anomaly Detection [18.30208347233284]
  非教師付き異常検出(UAD)は、ラベル付き例なしでデータ内の異常パターンを識別する上で重要な役割を果たす。 本稿では, 表現学習, クラスタリング, 異常検出の理論的関係を確立するために, 異常検出のための新しい確率混合モデルを提案する。 我々は,表現学習とクラスタリングの併用力を効果的に活用する,改良された異常スコアを考案した。
  論文  参考訳（メタデータ） (2024-06-01T14:30:12Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• PUAD: Frustratingly Simple Method for Robust Anomaly Detection [0.0]
  対象の誤数のような論理的異常は空間的特徴写像によってうまく表現できないと我々は主張する。 本稿では, 特徴空間上に, 最先端の再構成に基づくアプローチに対して, 簡単な分布外検出手法を組み込む手法を提案する。 本手法は,MVTec LOCO ADデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-02-23T06:57:31Z)
• Improving Intrusion Detection with Domain-Invariant Representation Learning in Latent Space [5.823403993020438]
  本稿では,関連ドメイン間の情報を統合潜在空間に融合するマルチタスク表現学習手法を提案する。 分類,再構成,相互情報の正規化損失を共同で最適化することにより,素早い相関を解消する最小限(ボトルネック)のドメイン不変表現を学習する。 実験により, 各種異常検出データセットのゼロデイ, 新規異常検出において, 大幅な改善が認められた。
  論文  参考訳（メタデータ） (2023-12-28T17:24:13Z)
• Learning a Cross-modality Anomaly Detector for Remote Sensing Imagery [21.444315419064882]
  リモートセンシング異常検知器は、地球観測の潜在的な標的として、背景から逸脱する物体を見つけることができる。 現在の異常検出器は特定の背景分布を学習することを目的としており、訓練されたモデルは見えない画像に転送することはできない。 本研究では,異なる背景分布から一貫した偏差距離への学習目標変換を利用する。
  論文  参考訳（メタデータ） (2023-10-11T14:07:05Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)

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。