論文の概要: On the Problem of Consistent Anomalies in Zero-Shot Anomaly Detection

• arxiv url: http://arxiv.org/abs/2512.02520v1
• Date: Tue, 02 Dec 2025 08:23:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.784794
• Title: On the Problem of Consistent Anomalies in Zero-Shot Anomaly Detection
• Title（参考訳）: ゼロショット異常検出における一貫性異常問題について
• Authors: Tai Le-Gia,
• Abstract要約: ゼロショット異常分類とセグメンテーション(AC/AS)は、トレーニングデータなしで異常なサンプルや領域を検出することを目的としている。 この論文は、ゼロショットAC/ASの中核的な課題を調査することを目的としており、理論とアルゴリズム設計に根ざした原理的な解決策を提示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Zero-shot anomaly classification and segmentation (AC/AS) aim to detect anomalous samples and regions without any training data, a capability increasingly crucial in industrial inspection and medical imaging. This dissertation aims to investigate the core challenges of zero-shot AC/AS and presents principled solutions rooted in theory and algorithmic design. We first formalize the problem of consistent anomalies, a failure mode in which recurring similar anomalies systematically bias distance-based methods. By analyzing the statistical and geometric behavior of patch representations from pre-trained Vision Transformers, we identify two key phenomena - similarity scaling and neighbor-burnout - that describe how relationships among normal patches change with and without consistent anomalies in settings characterized by highly similar objects. We then introduce CoDeGraph, a graph-based framework for filtering consistent anomalies built on the similarity scaling and neighbor-burnout phenomena. Through multi-stage graph construction, community detection, and structured refinement, CoDeGraph effectively suppresses the influence of consistent anomalies. Next, we extend this framework to 3D medical imaging by proposing a training-free, computationally efficient volumetric tokenization strategy for MRI data. This enables a genuinely zero-shot 3D anomaly detection pipeline and shows that volumetric anomaly segmentation is achievable without any 3D training samples. Finally, we bridge batch-based and text-based zero-shot methods by demonstrating that CoDeGraph-derived pseudo-masks can supervise prompt-driven vision-language models. Together, this dissertation provides theoretical understanding and practical solutions for the zero-shot AC/AS problem.
• Abstract（参考訳）: ゼロショット異常分類とセグメンテーション(AC/AS)は、トレーニングデータなしで異常なサンプルや領域を検出することを目的としている。 この論文は、ゼロショットAC/ASの中核的な課題を調査することを目的としており、理論とアルゴリズム設計に根ざした原理的な解決策を提示している。 我々はまず、同じ異常を系統的に偏見に基づく手法で繰り返し発生する障害モードである、一貫した異常の問題を定式化する。 事前学習された視覚変換器のパッチ表現の統計的および幾何学的挙動を解析することにより、非常に類似した物体によって特徴づけられる設定において、通常のパッチ間の関係が一貫した異常なくどのように変化するかを記述する2つの重要な現象、類似性スケーリングと隣のバーンアウトを識別する。 次に、類似性スケーリングと隣り合うバーンアウト現象に基づいて構築された一貫した異常をフィルタリングするグラフベースのフレームワークであるCoDeGraphを紹介します。 多段階グラフの構築、コミュニティ検出、構造化された洗練により、CoDeGraphは一貫性のある異常の影響を効果的に抑制する。 次に、この枠組みを3次元医用画像に拡張し、MRIデータに対するトレーニング不要で計算効率のよいボリュームトークン化戦略を提案する。 これにより、真にゼロショットの3D異常検出パイプラインが可能になり、3Dトレーニングサンプルなしでボリューム異常セグメンテーションが達成可能であることを示す。 最後に、バッチベースおよびテキストベースのゼロショット法を橋渡しし、CoDeGraph由来の擬似マスクがプロンプト駆動型視覚言語モデルを監督できることを実証する。 この論文は、ゼロショットAC/AS問題に対する理論的理解と実用的な解決策を提供する。

関連論文リスト

• GTHNA: Local-global Graph Transformer with Memory Reconstruction for Holistic Node Anomaly Evaluation [7.287914649294607]
  グラフ構造化データの異常検出は本質的に難しい問題である。 グラフ畳み込みネットワーク(GCN)に基づく既存の手法は、しばしば過度にスムーシングに悩まされる。 本稿では,3つの重要なコンポーネントを統合した,新規で総合的な異常評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-13T15:52:16Z)
• Autoregressive Denoising Score Matching is a Good Video Anomaly Detector [36.96911195723131]
  ビデオ異常検出(VAD)はコンピュータビジョンの重要な問題である。 雑音条件付きスコア変換器を導入し、スコアマッチングを復調する。 次に,シーン依存型,動き認識型スコア関数を提案する。 我々は、新しい自己回帰型聴覚スコアマッチング機構を介して、影響を受けない視覚情報を統合する。
  論文  参考訳（メタデータ） (2025-06-29T15:14:32Z)
• Rethinking Contrastive Learning in Graph Anomaly Detection: A Clean-View Perspective [54.605073936695575]
  グラフ異常検出は、Webセキュリティやファイナンシャル不正検出などの分野で広く応用されているグラフベースのデータにおいて、異常なパターンを特定することを目的としている。 既存の手法は対照的な学習に依存しており、ノードとその局所部分グラフの間のより低い類似性は異常を示すと仮定する。 干渉エッジの存在は、対照的な学習過程を損なう破壊的なノイズをもたらすため、この仮定を無効にする。 コントラスト学習プロセスにおいて重要な干渉源を特定するために,複数スケールの異常認識モジュールを含むクリーンビュー拡張グラフ異常検出フレームワーク(CVGAD)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T15:05:56Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• 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)
• Lossy Compression for Robust Unsupervised Time-Series Anomaly Detection [4.873362301533825]
  本稿では,異常検出のためのLossy Causal Temporal Convolutional Neural Network Autoencoderを提案する。 我々のフレームワークは, 速度歪み損失とエントロピーボトルネックを用いて, タスクの圧縮潜在表現を学習する。
  論文  参考訳（メタデータ） (2022-12-05T14:29:16Z)
• 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)
• From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale Contrastive Learning Approach [26.973056364587766]
  グラフデータからの異常検出は、ソーシャルネットワーク、金融、eコマースなど、多くのアプリケーションにおいて重要なデータマイニングタスクである。 マルチスケールcONtrastive lEarning(略してANEMONE)を用いた新しいフレームワーク, graph Anomaly dEtection フレームワークを提案する。 グラフニューラルネットワークをバックボーンとして、複数のグラフスケール(ビュー)から情報をエンコードすることで、グラフ内のノードのより良い表現を学習する。
  論文  参考訳（メタデータ） (2022-02-11T09:45:11Z)

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。