論文の概要: Mitigating Long-Tailed Anomaly Score Distributions with Importance-Weighted Loss

• arxiv url: http://arxiv.org/abs/2601.02440v1
• Date: Mon, 05 Jan 2026 10:02:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.670684
• Title: Mitigating Long-Tailed Anomaly Score Distributions with Importance-Weighted Loss
• Title（参考訳）: 重み付き損失を考慮した長手不規則スコア分布の緩和
• Authors: Jungi Lee, Jungkwon Kim, Chi Zhang, Sangmin Kim, Kwangsun Yoo, Seok-Joo Byun,
• Abstract要約: 異常検出は、システムの信頼性を確保するために稀で目に見えないパターンを特定するために、産業アプリケーションにおいて不可欠である。 単一クラスの通常のデータに基づいてトレーニングされた従来のモデルは、通常のデータがさまざまなパターンを示す現実世界の分散に苦労する。 本稿では,異常検出に特化して設計された新しい重要度重み付き損失を提案する。 本手法は, 実世界の応用において, 異常検出性能を0.043向上させる。
• 参考スコア（独自算出の注目度）: 7.364074727181891
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Anomaly detection is crucial in industrial applications for identifying rare and unseen patterns to ensure system reliability. Traditional models, trained on a single class of normal data, struggle with real-world distributions where normal data exhibit diverse patterns, leading to class imbalance and long-tailed anomaly score distributions (LTD). This imbalance skews model training and degrades detection performance, especially for minority instances. To address this issue, we propose a novel importance-weighted loss designed specifically for anomaly detection. Compared to the previous method for LTD in classification, our method does not require prior knowledge of normal data classes. Instead, we introduce a weighted loss function that incorporates importance sampling to align the distribution of anomaly scores with a target Gaussian, ensuring a balanced representation of normal data. Extensive experiments on three benchmark image datasets and three real-world hyperspectral imaging datasets demonstrate the robustness of our approach in mitigating LTD-induced bias. Our method improves anomaly detection performance by 0.043, highlighting its effectiveness in real-world applications.
• Abstract（参考訳）: 異常検出は、システムの信頼性を確保するために稀で目に見えないパターンを特定するために、産業アプリケーションにおいて不可欠である。 単一クラスの正規データに基づいて訓練された伝統的なモデルは、通常のデータが多様なパターンを示す現実世界の分布と競合し、クラス不均衡と長い尾の異常スコア分布(LTD)につながる。 この不均衡はモデルトレーニングを歪め、特に少数インスタンスにおいて検出性能を低下させる。 この問題に対処するために,異常検出に特化して設計された新しい重要度重み付き損失を提案する。 分類における従来のLTD法と比較して,本手法は通常のデータクラスの事前知識を必要としない。 代わりに、重み付き損失関数を導入し、重要サンプリングを組み込んで、異常スコアの分布を目標ガウス値と整合させ、正規データのバランスの取れた表現を確保する。 3つのベンチマーク画像データセットと3つの実世界のハイパースペクトル画像データセットに対する大規模な実験は、LTD誘発バイアスの緩和における我々のアプローチの堅牢性を示している。 本手法は, 実世界の応用において, 異常検出性能を0.043向上させる。

関連論文リスト

• 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)
• Leveraging Learning Bias for Noisy Anomaly Detection [19.23861148116995]
  本稿では、フル教師なし画像異常検出(FUIAD)の課題に対処する。 従来の方法では、異常のないトレーニングデータを仮定するが、実世界の汚染により、モデルは通常通り異常を吸収する。 モデルに固有の学習バイアスを利用する2段階のフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-10T17:47:21Z)
• Towards Zero-shot 3D Anomaly Localization [58.62650061201283]
  3DzALは3D異常検出とローカライゼーションのためのパッチレベルの新しいコントラスト学習フレームワークである。 3DzALは最先端の異常検出および局所化性能より優れていることを示す。
  論文  参考訳（メタデータ） (2024-12-05T16:25:27Z)
• Adaptive Deviation Learning for Visual Anomaly Detection with Data Contamination [20.4008901760593]
  そこで本研究では,偏差学習を応用して,異常スコアをエンドツーエンドに計算する手法を提案する。 提案手法は競合する手法を超越し,データ汚染の存在下での安定性とロバスト性を示す。
  論文  参考訳（メタデータ） (2024-11-14T16:10:15Z)
• GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
  拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。 世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。 本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:27:23Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• 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)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)

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。