論文の概要: CEDL: Centre-Enhanced Discriminative Learning for Anomaly Detection

• arxiv url: http://arxiv.org/abs/2511.12388v1
• Date: Sat, 15 Nov 2025 23:44:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.011873
• Title: CEDL: Centre-Enhanced Discriminative Learning for Anomaly Detection
• Title（参考訳）: CEDL: 異常検出のための集中型識別学習
• Authors: Zahra Zamanzadeh Darban, Qizhou Wang, Charu C. Aggarwal, Geoffrey I. Webb, Ehsan Abbasnejad, Mahsa Salehi,
• Abstract要約: Centre-Enhanced Discriminative Learning (CEDL)は、教師付き異常検出フレームワークである。 幾何学的正規性を識別目的に直接埋め込む。 CEDLは、様々な現実世界の異常検出タスク間で、競争力とバランスの取れた性能を達成する。
• 参考スコア（独自算出の注目度）: 34.133298397463754
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Supervised anomaly detection methods perform well in identifying known anomalies that are well represented in the training set. However, they often struggle to generalise beyond the training distribution due to decision boundaries that lack a clear definition of normality. Existing approaches typically address this by regularising the representation space during training, leading to separate optimisation in latent and label spaces. The learned normality is therefore not directly utilised at inference, and their anomaly scores often fall within arbitrary ranges that require explicit mapping or calibration for probabilistic interpretation. To achieve unified learning of geometric normality and label discrimination, we propose Centre-Enhanced Discriminative Learning (CEDL), a novel supervised anomaly detection framework that embeds geometric normality directly into the discriminative objective. CEDL reparameterises the conventional sigmoid-derived prediction logit through a centre-based radial distance function, unifying geometric and discriminative learning in a single end-to-end formulation. This design enables interpretable, geometry-aware anomaly scoring without post-hoc thresholding or reference calibration. Extensive experiments on tabular, time-series, and image data demonstrate that CEDL achieves competitive and balanced performance across diverse real-world anomaly detection tasks, validating its effectiveness and broad applicability.
• Abstract（参考訳）: 教師付き異常検出法は、トレーニングセットでよく表現されている既知の異常を特定するのによく機能する。 しかし、彼らはしばしば、正規性の明確な定義が欠けている決定境界のために、トレーニング分布を超えて一般化するのに苦労する。 既存のアプローチでは、トレーニング中に表現空間を正規化することでこの問題に対処し、潜在空間とラベル空間を分離する。 したがって、学習された正規性は推論において直接利用されず、その異常スコアはしばしば、確率論的解釈のために明示的なマッピングや校正を必要とする任意の範囲に収まる。 幾何学的正規性とラベル識別の統一学習を実現するために,識別対象に直接幾何学的正規性を組み込む新しい教師付き異常検出フレームワークであるCentral-Enhanced Discriminative Learning (CEDL)を提案する。 CEDLは、従来のシグモイド由来の予測ロジットを中心線距離関数を通して再パラメータ化し、単一のエンドツーエンドの定式化において幾何学的および識別的学習を統一する。 この設計により、ポストホックしきい値や基準校正なしで、解釈可能で幾何対応の異常スコアを作成できる。 表、時系列、画像データに関する大規模な実験により、CEDLは様々な現実世界の異常検出タスク間での競争力とバランスの取れた性能を達成し、その有効性と幅広い適用性を示す。

関連論文リスト

• 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)
• Contrastive Representation Modeling for Anomaly Detection [0.21427777919040417]
  本研究では,学習中の正と負の関係を再定義し,これらの特性を明示的な異常ラベルを必要とせずに促進する構造的コントラスト目的を提案する。 本フレームワークは, 産業環境における局所的異常の検出を改善するために, パッチベースの学習評価戦略を用いて拡張する。
  論文  参考訳（メタデータ） (2025-01-09T10:33:16Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• An Iterative Method for Unsupervised Robust Anomaly Detection Under Data Contamination [24.74938110451834]
  ほとんどの深層異常検出モデルは、データセットから正規性を学ぶことに基づいている。 実際、正規性仮定は実データ分布の性質によってしばしば破られる。 このギャップを減らし、より優れた正規性表現を実現するための学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-18T02:36:19Z)
• Decoupling anomaly discrimination and representation learning: self-supervised learning for anomaly detection on attributed graph [18.753970895946814]
  DSLADは、異常検出のために分離された異常識別と表現学習を備えた自己教師型手法である。 さまざまな6つのベンチマークデータセットで実施された実験は、DSLADの有効性を明らかにしている。
  論文  参考訳（メタデータ） (2023-04-11T12:23:40Z)
• Explicit Boundary Guided Semi-Push-Pull Contrastive Learning for Supervised Anomaly Detection [14.27685411466415]
  ほとんどの異常検出(AD)モデルは、教師なしの方法で通常のサンプルのみを使用して学習される。 そこで本研究では,新しい境界案内型半プッシュプルコントラスト学習機構を提案する。
  論文  参考訳（メタデータ） (2022-07-04T14:50:23Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Information-Theoretic Bias Reduction via Causal View of Spurious Correlation [71.9123886505321]
  本稿では,スプリアス相関の因果的解釈による情報理論バイアス測定手法を提案する。 本稿では,バイアス正規化損失を含むアルゴリズムバイアスに対する新しいデバイアスフレームワークを提案する。 提案したバイアス測定とデバイアス法は、多様な現実シナリオで検証される。
  論文  参考訳（メタデータ） (2022-01-10T01:19:31Z)

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。