論文の概要: SetAD: Semi-Supervised Anomaly Learning in Contextual Sets

• arxiv url: http://arxiv.org/abs/2512.07863v1
• Date: Wed, 26 Nov 2025 13:27:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 04:16:52.525764
• Title: SetAD: Semi-Supervised Anomaly Learning in Contextual Sets
• Title（参考訳）: SetAD: 文脈集合における半教師付き異常学習
• Authors: Jianling Gao, Chongyang Tao, Xuelian Lin, Junfeng Liu, Shuai Ma,
• Abstract要約: 半教師付き異常検出は、限られたラベル付きデータを効果的に活用することで大きな可能性を秘めている。 本研究では,半教師付きADをSet-level Anomaly Detectionタスクとして再編成する新しいフレームワークであるSetADを提案する。 頑健性とスコアの校正性を高めるため,文脈校正型異常スコアリング機構を提案する。
• 参考スコア（独自算出の注目度）: 25.628827917857603
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semi-supervised anomaly detection (AD) has shown great promise by effectively leveraging limited labeled data. However, existing methods are typically structured around scoring individual points or simple pairs. Such {point- or pair-centric} view not only overlooks the contextual nature of anomalies, which are defined by their deviation from a collective group, but also fails to exploit the rich supervisory signals that can be generated from the combinatorial composition of sets. Consequently, such models struggle to exploit the high-order interactions within the data, which are critical for learning discriminative representations. To address these limitations, we propose SetAD, a novel framework that reframes semi-supervised AD as a Set-level Anomaly Detection task. SetAD employs an attention-based set encoder trained via a graded learning objective, where the model learns to quantify the degree of anomalousness within an entire set. This approach directly models the complex group-level interactions that define anomalies. Furthermore, to enhance robustness and score calibration, we propose a context-calibrated anomaly scoring mechanism, which assesses a point's anomaly score by aggregating its normalized deviations from peer behavior across multiple, diverse contextual sets. Extensive experiments on 10 real-world datasets demonstrate that SetAD significantly outperforms state-of-the-art models. Notably, we show that our model's performance consistently improves with increasing set size, providing strong empirical support for the set-based formulation of anomaly detection.
• Abstract（参考訳）: 半教師付き異常検出(AD)は,限られたラベル付きデータを効果的に活用することで大きな可能性を秘めている。 しかし、既存の方法は通常、個々の点や単純なペアのスコアリングを中心に構成されている。 このような {point- or pair-centric} の見解は、集合群からの逸脱によって定義される異常の文脈の性質を軽視するだけでなく、集合の組合せ合成から生成されるリッチなスーパーバイザリー信号の活用にも失敗する。 その結果、そのようなモデルはデータ内の高次相互作用を利用するのに苦労し、識別表現の学習に不可欠である。 このような制約に対処するため,SetADは半教師付きADをSet-level Anomaly Detectionタスクとして再編成する新しいフレームワークである。 SetADは、段階学習の目的によって訓練された注意に基づく集合エンコーダを使用し、モデルが集合全体の異常度を定量化するために学習する。 このアプローチは、異常を定義する複雑なグループレベルの相互作用を直接モデル化する。 さらに,ロバスト性やスコアの校正性を高めるため,多種多様な文脈集合にまたがるピア行動からの正規化偏差を集約することにより,点の異常スコアを評価するコンテキスト校正型異常スコア機構を提案する。 10の現実世界のデータセットに対する大規模な実験は、SetADが最先端のモデルを大幅に上回っていることを示している。 特に, モデルの性能は, セットサイズの増加とともに常に向上し, 集合に基づく異常検出の定式化に強力な実証的サポートを提供することを示す。

関連論文リスト

• Labels Matter More Than Models: Quantifying the Benefit of Supervised Time Series Anomaly Detection [56.302586730134806]
  時系列異常検出(TSAD)は、しばしばラベル不足によって制約される重要なデータマイニングタスクである。 現在の研究は、主に教師なし時系列異常検出に焦点を当てている。 本稿では,アーキテクチャの複雑さがTSADの最適経路である,という前提に挑戦する。
  論文  参考訳（メタデータ） (2025-11-20T08:32:49Z)
• Towards Foundation Models for Zero-Shot Time Series Anomaly Detection: Leveraging Synthetic Data and Relative Context Discrepancy [33.68487894996624]
  時系列異常検出(TSAD)は重要な課題であるが、見えないデータに一般化するモデルを開発することは大きな課題である。 我々は、新しい事前学習パラダイムの上に構築されたTSADの新たな基盤モデルであるtextttTimeRCDを紹介した。 textttTimeRCD はゼロショット TSAD において,既存の汎用および異常固有の基盤モデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-25T14:05:15Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• 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)
• MeLIAD: Interpretable Few-Shot Anomaly Detection with Metric Learning and Entropy-based Scoring [2.394081903745099]
  本稿では,新たな異常検出手法であるMeLIADを提案する。 MeLIADはメートル法学習に基づいており、真の異常の事前分布仮定に頼ることなく、設計による解釈可能性を達成する。 解釈可能性の定量的かつ定性的な評価を含む5つの公開ベンチマークデータセットの実験は、MeLIADが異常検出とローカライゼーション性能の改善を達成することを実証している。
  論文  参考訳（メタデータ） (2024-09-20T16:01:43Z)
• 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)

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。