論文の概要: How to pick the best anomaly detector?

• arxiv url: http://arxiv.org/abs/2511.14832v1
• Date: Tue, 18 Nov 2025 19:00:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.488836
• Title: How to pick the best anomaly detector?
• Title（参考訳）: 最高の異常検知器の選び方
• Authors: Marie Hein, Gregor Kasieczka, Michael Krämer, Louis Moureaux, Alexander Mück, David Shih,
• Abstract要約: 異常検出は、探索されていないデータの領域で新しい物理を発見する可能性がある。 モデルに依存しない方法で、与えられたデータセットの最良の異常検知器を選択することは、主に無視されてきた重要な課題である。 本稿では,データ駆動ARGOS測定法について紹介する。これは理論的基礎が健全であり,データから最も敏感な異常検出モデルを選択することを実証的に示している。
• 参考スコア（独自算出の注目度）: 35.66877569643008
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection has the potential to discover new physics in unexplored regions of the data. However, choosing the best anomaly detector for a given data set in a model-agnostic way is an important challenge which has hitherto largely been neglected. In this paper, we introduce the data-driven ARGOS metric, which has a sound theoretical foundation and is empirically shown to robustly select the most sensitive anomaly detection model given the data. Focusing on weakly-supervised, classifier-based anomaly detection methods, we show that the ARGOS metric outperforms other model selection metrics previously used in the literature, in particular the binary cross-entropy loss. We explore several realistic applications, including hyperparameter tuning as well as architecture and feature selection, and in all cases we demonstrate that ARGOS is robust to the noisy conditions of anomaly detection.
• Abstract（参考訳）: 異常検出は、探索されていないデータの領域で新しい物理を発見する可能性がある。 しかし、モデルに依存しない方法で与えられたデータセットに対して最適な異常検知器を選択することは、ヒッヘルトがほとんど無視されてきた重要な課題である。 本稿では,音声理論の基礎を持つデータ駆動ARGOS測度を導入し,そのデータから最も敏感な異常検出モデルを選択することを実証的に示す。 弱い教師付き分類器に基づく異常検出手法に着目して、ARGOSは、文献、特に二項交叉エントロピー損失において、これまで用いられてきた他のモデル選択指標よりも優れていることを示す。 ハイパーパラメータチューニングやアーキテクチャ,特徴選択など,いくつかの現実的な応用について検討し,すべての場合において,ARGOSは異常検出のノイズに対して堅牢であることを示す。

関連論文リスト

• Strengthening Anomaly Awareness [0.0]
  我々は、教師なし異常検出の強化を目的とした、異常認識フレームワークの洗練されたバージョンを提案する。 本稿では,2段階のトレーニング戦略を通じて,変分オートエンコーダ(VAE)の最小限の監視を導入する。
  論文  参考訳（メタデータ） (2025-04-15T16:52:22Z)
• Exploring the impact of Optimised Hyperparameters on Bi-LSTM-based Contextual Anomaly Detector [0.09831489366502298]
  本研究は、最適化ハイパーパラマンタ(UoCAD-OH)を用いたUoCADの提案による、教師なしオンラインコンテキスト異常検出(UoCAD)アプローチに対する自動調整ハイパーパラマンタの影響について検討する。 実験では、コンテキスト異常を含む2つのスマートホーム空気質データセット上で、提案したフレームワークを評価する。
  論文  参考訳（メタデータ） (2025-01-25T03:26:22Z)
• ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
  ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。 各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
  論文  参考訳（メタデータ） (2024-05-27T02:42:33Z)
• Model Selection of Anomaly Detectors in the Absence of Labeled Validation Data [18.233908098602114]
  本稿では,画像に基づく異常検出をラベル付き検証データなしで選択するフレームワークSWSAを提案する。 ラベル付き検証データを集める代わりに、トレーニングや微調整なしに合成異常を生成する。 我々の合成異常は、モデル選択のための検証フレームワークを構成する検出タスクを作成するために使用される。
  論文  参考訳（メタデータ） (2023-10-16T14:42:22Z)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• Unsupervised Model Selection for Time-series Anomaly Detection [7.8027110514393785]
  提案手法は, 予測誤差, モデル中心性, および, 注入された合成異常に対する性能の3種類のサロゲート(教師なし)メトリクスを同定する。 我々は、厳密なランク集約問題として、複数の不完全なサロゲート指標との計量結合を定式化する。 複数の実世界のデータセットに対する大規模な実験は、我々の提案した教師なしアプローチが、最も正確なモデルを選択するのと同じくらい効果的であることを示す。
  論文  参考訳（メタデータ） (2022-10-03T16:49:30Z)
• A Taxonomy of Anomalies in Log Data [0.09558392439655014]
  異常の一般的な分類法は、すでに存在するが、ログデータに特に適用されていない。 本稿では,異なる種類のログデータ異常に対する分類法を提案し,ラベル付きデータセットにおけるそのような異常を分析する方法を提案する。 以上の結果から,最も一般的な異常型が予測し易いことが示唆された。
  論文  参考訳（メタデータ） (2021-11-26T12:23:06Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。