論文の概要: SCoNE: Spherical Consistent Neighborhoods Ensemble for Effective and Efficient Multi-View Anomaly Detection

• arxiv url: http://arxiv.org/abs/2512.05540v1
• Date: Fri, 05 Dec 2025 08:53:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-13 22:40:56.97223
• Title: SCoNE: Spherical Consistent Neighborhoods Ensemble for Effective and Efficient Multi-View Anomaly Detection
• Title（参考訳）: SCoNE: 有効かつ効率的な多視点異常検出のための球面一貫性近傍環境
• Authors: Yang Xu, Hang Zhang, Yixiao Ma, Ye Zhu, Kai Ming Ting,
• Abstract要約: 異常検出における中核的な問題は、すべてのビューの通常のインスタンスの局所的な近傍を一貫して表現することである。 近年のアプローチでは、各ビューにおける局所的近傍の表現を独立に考慮し、学習プロセスを通じて、すべてのビューにわたって一貫した隣人をキャプチャする。 我々はtextbfSpherical textbfConsistent textbfNeighborhoods textbfEnsemble (SCoNE) と呼ばれる新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 15.01213208848798
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The core problem in multi-view anomaly detection is to represent local neighborhoods of normal instances consistently across all views. Recent approaches consider a representation of local neighborhood in each view independently, and then capture the consistent neighbors across all views via a learning process. They suffer from two key issues. First, there is no guarantee that they can capture consistent neighbors well, especially when the same neighbors are in regions of varied densities in different views, resulting in inferior detection accuracy. Second, the learning process has a high computational cost of $\mathcal{O}(N^2)$, rendering them inapplicable for large datasets. To address these issues, we propose a novel method termed \textbf{S}pherical \textbf{C}onsistent \textbf{N}eighborhoods \textbf{E}nsemble (SCoNE). It has two unique features: (a) the consistent neighborhoods are represented with multi-view instances directly, requiring no intermediate representations as used in existing approaches; and (b) the neighborhoods have data-dependent properties, which lead to large neighborhoods in sparse regions and small neighborhoods in dense regions. The data-dependent properties enable local neighborhoods in different views to be represented well as consistent neighborhoods, without learning. This leads to $\mathcal{O}(N)$ time complexity. Empirical evaluations show that SCoNE has superior detection accuracy and runs orders-of-magnitude faster in large datasets than existing approaches.
• Abstract（参考訳）: マルチビュー異常検出における中核的な問題は、すべてのビューにわたって通常のインスタンスの局所的な近傍を一貫して表現することである。 近年のアプローチでは、各ビューにおける局所的近傍の表現を独立に考慮し、学習プロセスを通じて、すべてのビューにわたって一貫した隣人をキャプチャする。 2つの大きな問題に悩まされている。 第一に、一貫した隣人をうまく捉えられるという保証はない。特に、同じ隣人が異なる視点で様々な密度の領域にいる場合、検出精度は劣る。 第二に、学習プロセスは$\mathcal{O}(N^2)$の計算コストが高く、大きなデータセットには適用できない。 これらの問題に対処するために、新しい手法として、 \textbf{S}pherical \textbf{C}onsistent \textbf{N}eighborhoods \textbf{E}nsemble (SCoNE)を提案する。 特徴は2つある。 a) 一貫性のある近傍は、直接マルチビューインスタンスで表現され、既存のアプローチで使用される中間表現を必要としない。 (b)各地区はデータに依存した特性を有しており、人口密度の低い地域や人口密度の小さな地域において大きな地区に繋がる。 データに依存した特性により、学習することなく、異なる視点の地域地区を一貫した地区として表現することができる。 これにより、$\mathcal{O}(N)$ time complexityとなる。 経験的評価では、SCoNEは検出精度が優れており、既存のアプローチよりも大規模データセットでの命令処理が高速である。

関連論文リスト

• Yes, we CANN: Constrained Approximate Nearest Neighbors for local feature-based visual localization [2.915868985330569]
  Constrained Approximate Nearest Neighbors (CANN) は、局所的特徴のみを用いて、幾何学と外観空間の両方にわたって k-アネレスト近傍の合同解である。 提案手法は,現在最先端のグローバルな特徴量検索と,局所的な特徴量集計手法を用いたアプローチの両方に優れる。
  論文  参考訳（メタデータ） (2023-06-15T10:12:10Z)
• Adaptively-weighted Integral Space for Fast Multiview Clustering [54.177846260063966]
  線形複雑度に近い高速マルチビュークラスタリングのための適応重み付き積分空間(AIMC)を提案する。 特に、ビュー生成モデルは、潜在積分空間からのビュー観測を再構成するために設計されている。 いくつかの実世界のデータセットで実施された実験は、提案したAIMC法の優位性を確認した。
  論文  参考訳（メタデータ） (2022-08-25T05:47:39Z)
• Finding Geometric Models by Clustering in the Consensus Space [61.65661010039768]
  本稿では,未知数の幾何学的モデル,例えばホモグラフィーを求めるアルゴリズムを提案する。 複数の幾何モデルを用いることで精度が向上するアプリケーションをいくつか提示する。 これには、複数の一般化されたホモグラフからのポーズ推定、高速移動物体の軌道推定が含まれる。
  論文  参考訳（メタデータ） (2021-03-25T14:35:07Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• Cross-Domain Generalization Through Memorization: A Study of Nearest Neighbors in Neural Duplicate Question Detection [72.01292864036087]
  重複質問検出(DQD)は,コミュニティの効率向上と自動質問応答システムの実現に重要である。 我々は、DQDのクロスドメイン一般化のために、ニューラル表現を活用し、近接する隣人を研究する。 StackExchange、Spring、Quoraの各データセットの異なるクロスドメインシナリオにおいて、このメソッドの堅牢なパフォーマンスを観察します。
  論文  参考訳（メタデータ） (2020-11-22T19:19:33Z)
• Neighborhood Matching Network for Entity Alignment [71.24217694278616]
  Neighborhood Matching Network (NMN)は、新しいエンティティアライメントフレームワークである。 NMNは、トポロジカル構造と近傍差の両方を捉えるために、エンティティ間の類似性を推定する。 まず、新しいグラフサンプリング法を用いて、各エンティティの識別的近傍を蒸留する。 その後、クロスグラフの近傍マッチングモジュールを採用し、与えられたエンティティペアの近傍差を共同で符号化する。
  論文  参考訳（メタデータ） (2020-05-12T08:26:15Z)
• Learning multiview 3D point cloud registration [74.39499501822682]
  本稿では,エンドツーエンドで学習可能なマルチビュー3Dポイントクラウド登録アルゴリズムを提案する。 このアプローチは、エンドツーエンドのトレーニングが可能で、計算コストが小さく、最先端のマージンよりも優れています。
  論文  参考訳（メタデータ） (2020-01-15T03:42:14Z)
• Neighborhood and Graph Constructions using Non-Negative Kernel Regression [42.16401154367232]
  そこで我々は, 近傍構造がスパース信号近似問題と等価であることを示す。 また,非負のカーネル回帰(NNK)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2019-10-21T13:58:14Z)

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。