論文の概要: Latent Sculpting for Zero-Shot Generalization: A Manifold Learning Approach to Out-of-Distribution Anomaly Detection

• arxiv url: http://arxiv.org/abs/2512.22179v1
• Date: Fri, 19 Dec 2025 11:37:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-04 08:45:17.102227
• Title: Latent Sculpting for Zero-Shot Generalization: A Manifold Learning Approach to Out-of-Distribution Anomaly Detection
• Title（参考訳）: ゼロショット一般化のための潜時彫刻:分布外異常検出のためのマニフォールド学習アプローチ
• Authors: Rajeeb Thapa Chhetri, Zhixiong Chen, Saurab Thapa,
• Abstract要約: 教師付きディープラーニングの基本的限界は「一般化崩壊」である 階層型2段階表現学習フレームワークであるLatent Sculptingを提案する。 我々は「浸潤」のシナリオについて88.89%の検知率を報告した。
• 参考スコア（独自算出の注目度）: 2.8547732086436306
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A fundamental limitation of supervised deep learning in high-dimensional tabular domains is "Generalization Collapse": models learn precise decision boundaries for known distributions but fail catastrophically when facing Out-of-Distribution (OOD) data. We hypothesize that this failure stems from the lack of topological constraints in the latent space, resulting in diffuse manifolds where novel anomalies remain statistically indistinguishable from benign data. To address this, we propose Latent Sculpting, a hierarchical two-stage representation learning framework. Stage 1 utilizes a hybrid 1D-CNN and Transformer Encoder trained with a novel Dual-Centroid Compactness Loss (DCCL) to actively "sculpt" benign traffic into a low-entropy, hyperspherical cluster. Unlike standard contrastive losses that rely on triplet mining, DCCL optimizes global cluster centroids to enforce absolute manifold density. Stage 2 conditions a Masked Autoregressive Flow (MAF) on this pre-structured manifold to learn an exact density estimate. We evaluate this methodology on the rigorous CIC-IDS-2017 benchmark, treating it as a proxy for complex, non-stationary data streams. Empirical results demonstrate that explicit manifold sculpting is a prerequisite for robust zero-shot generalization. While supervised baselines suffered catastrophic performance collapse on unseen distribution shifts (F1 approx 0.30) and the strongest unsupervised baseline achieved only 0.76, our framework achieved an F1-Score of 0.87 on strictly zero-shot anomalies. Notably, we report an 88.89% detection rate on "Infiltration" scenarios--a complex distributional shift where state-of-the-art supervised models achieved 0.00% accuracy. These findings suggest that decoupling structure learning from density estimation provides a scalable path toward generalized anomaly detection.
• Abstract（参考訳）: モデルは既知の分布の正確な決定境界を学習するが、アウト・オブ・ディストリビューション(OOD)データに直面すると破滅的に失敗する。 この失敗は、潜在空間における位相的制約の欠如に起因し、新しい異常が統計的に良性データと区別できないような拡散多様体が生じるという仮説を立てる。 そこで本稿では,階層型2段階表現学習フレームワークであるLatent Sculptingを提案する。 ステージ1では、新しいDual-Centroid Compactness Loss (DCCL)でトレーニングされたハイブリッド1D-CNNとTransformer Encoderを使用して、低エントロピーで超球面クラスタへのベニグニングトラフィックを積極的に“スカルプ”する。 トリプルト・マイニングに依存する標準的な対照的な損失とは異なり、DCCLは絶対多様体密度を強制するために大域的なクラスタ・セントロイドを最適化する。 ステージ2は、この事前構造化多様体上の仮面自己回帰流(MAF)を条件として、正確な密度推定を学習する。 我々はこの手法を厳密なCIC-IDS-2017ベンチマークで評価し、複雑な非定常データストリームのプロキシとして扱う。 実証的な結果は、明示的な多様体の彫刻が堅牢なゼロショット一般化の前提条件であることを示している。 教師付きベースラインは観察不能な分布シフト(F1approx 0.30)で破滅的な性能崩壊を経験し,最強の教師なしベースラインは0.76に留まったが,本フレームワークは厳密なゼロショット異常に対して0.87のF1スコアを達成した。 特に,「浸透」シナリオにおける88.89%の検出率について報告した。これは,最先端の教師付きモデルが0.00%の精度を達成した複雑な分布シフトである。 これらの結果は,密度推定から構造学習を分離することで,一般化された異常検出に向けたスケーラブルな経路が得られることを示唆している。

関連論文リスト

• DRL-Guided Neural Batch Sampling for Semi-Supervised Pixel-Level Anomaly Detection [0.0]
  産業用視覚検査における異常検出は, 欠陥試料の不足により困難である。 本稿では,ニューラルバッチサンプリング,オートエンコーダ,予測器を統合した半教師付き深層強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-25T12:53:53Z)
• 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)
• A Few Large Shifts: Layer-Inconsistency Based Minimal Overhead Adversarial Example Detection [13.109309606764754]
  我々は、ターゲットモデル自体の内部の階層的不整合を利用するプラグイン検出フレームワークを導入する。 本手法は計算オーバーヘッドを無視して最先端検出性能を実現する。
  論文  参考訳（メタデータ） (2025-05-19T00:48:53Z)
• 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)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• 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)
• Simple and Effective Prevention of Mode Collapse in Deep One-Class Classification [93.2334223970488]
  深部SVDDにおける超球崩壊を防止するための2つの正則化器を提案する。 第1の正則化器は、標準のクロスエントロピー損失によるランダムノイズの注入に基づいている。 第2の正規化器は、小さすぎるとミニバッチ分散をペナライズする。
  論文  参考訳（メタデータ） (2020-01-24T03:44:47Z)

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。