論文の概要: Anomaly Detection with Adaptive and Aggressive Rejection for Contaminated Training Data

• arxiv url: http://arxiv.org/abs/2511.21378v1
• Date: Wed, 26 Nov 2025 13:25:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:59.111246
• Title: Anomaly Detection with Adaptive and Aggressive Rejection for Contaminated Training Data
• Title（参考訳）: 適応的・攻撃的拒絶を用いた汚染学習データの異常検出
• Authors: Jungi Lee, Jungkwon Kim, Chi Zhang, Kwangsun Yoo, Seok-Joo Byun,
• Abstract要約: AARは、通常のデータを保存することと、ハードとソフトの拒絶戦略を統合することで異常を排除することの間のトレードオフをバランスさせる。 AARは汚染されたデータセットに対する堅牢性を高め、セキュリティやヘルスケアといった領域におけるより広範な現実世界のアプリケーションへの道を開く。
• 参考スコア（独自算出の注目度）: 3.5044243320821917
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Handling contaminated data poses a critical challenge in anomaly detection, as traditional models assume training on purely normal data. Conventional methods mitigate contamination by relying on fixed contamination ratios, but discrepancies between assumed and actual ratios can severely degrade performance, especially in noisy environments where normal and abnormal data distributions overlap. To address these limitations, we propose Adaptive and Aggressive Rejection (AAR), a novel method that dynamically excludes anomalies using a modified z-score and Gaussian mixture model-based thresholds. AAR effectively balances the trade-off between preserving normal data and excluding anomalies by integrating hard and soft rejection strategies. Extensive experiments on two image datasets and thirty tabular datasets demonstrate that AAR outperforms the state-of-the-art method by 0.041 AUROC. By providing a scalable and reliable solution, AAR enhances robustness against contaminated datasets, paving the way for broader real-world applications in domains such as security and healthcare.
• Abstract（参考訳）: 汚染データを扱うことは、従来のモデルが純粋に正常なデータでトレーニングを行うため、異常検出において重要な課題となる。 従来の方法では, 汚染率の固定化によって汚染を緩和するが, 推定比と実際の比との差は, 正常なデータ分布と異常なデータ分布が重なるノイズの多い環境では, 性能を著しく低下させる可能性がある。 これらの制約に対処するために,zスコアとガウス混合モデルに基づくしきい値を用いて異常を動的に排除するAdaptive and Aggressive Rejection (AAR)を提案する。 AARは、ハードとソフトの拒絶戦略を統合することで、通常のデータを保存することと異常を排除することの間のトレードオフを効果的にバランスさせる。 2つの画像データセットと30の表付きデータセットに関する大規模な実験は、AARが0.041 AUROCで最先端の手法より優れていることを示した。 スケーラブルで信頼性の高いソリューションを提供することで、AARは汚染されたデータセットに対する堅牢性を高め、セキュリティやヘルスケアといった領域におけるより広範な現実世界のアプリケーションへの道を開く。

関連論文リスト

• Heterogeneous Multisource Transfer Learning via Model Averaging for Positive-Unlabeled Data [2.030810815519794]
  本研究では,異種データソースからの情報を直接データ共有なしで統合するトランスファー学習フレームワークを提案する。 各ソースドメインタイプに対して、調整されたロジスティック回帰モデルを実行し、平均化によって知識をPUターゲットドメインに転送する。 提案手法は,特にラベル付きデータや異種環境において,予測精度とロバスト性において,他の比較手法よりも優れる。
  論文  参考訳（メタデータ） (2025-11-14T03:15:31Z)
• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• Crafting Imperceptible On-Manifold Adversarial Attacks for Tabular Data [38.89245780759371]
  本稿では,混合入力変分オートエンコーダ(VAE)を用いた遅延空間摂動フレームワークを提案し,統計的に一貫した逆の例を生成する。 提案手法は,従来の入力空間攻撃と比較して,アウトレーラ率と一貫した性能を著しく低下させることを示す。
  論文  参考訳（メタデータ） (2025-07-15T05:34:44Z)
• Restoration Score Distillation: From Corrupted Diffusion Pretraining to One-Step High-Quality Generation [82.39763984380625]
  Score Distillation (DSD) の原理的一般化である textitRestoration Score Distillation (RSD) を提案する。 RSDは、ぼやけた画像、不完全画像、低解像度画像など、広範囲の汚職タイプに対応している。 自然と科学の両方のデータセットの様々な復元作業において、教師モデルを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-05-19T17:21:03Z)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• 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)
• RoSAS: Deep Semi-Supervised Anomaly Detection with Contamination-Resilient Continuous Supervision [21.393509817509464]
  本稿では, テクスト汚染耐性連続監視信号を考案した, 半教師付き異常検出手法を提案する。 当社のアプローチは、AUC-PRにおいて最先端の競合他社を20%-30%上回っている。
  論文  参考訳（メタデータ） (2023-07-25T04:04:49Z)
• Anomaly Detection with Score Distribution Discrimination [4.468952886990851]
  本稿では,スコア分布の観点から,異常スコア関数の最適化を提案する。 正常試料と異常試料のスコア分布の重なりを最小化するオーバーラップ損失と呼ばれる新しい損失関数を設計する。
  論文  参考訳（メタデータ） (2023-06-26T03:32:57Z)
• AnoOnly: Semi-Supervised Anomaly Detection with the Only Loss on Anomalies [27.478283101082834]
  我々は AnoOnly (Anomaly Only) と呼ばれる新しいフレームワークを開発する。 厳格な損失監視を利用する既存のSSADメソッドとは異なり、AnoOnlyはそれを停止し、通常のデータに対する弱い監視形式を導入している。 既存のSSADメソッドに統合されると、提案されたAnoOnlyは、さまざまなモデルやデータセットにわたる顕著なパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2023-05-30T07:19:25Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)

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。