論文の概要: Stochastic Voronoi Ensembles for Anomaly Detection

• arxiv url: http://arxiv.org/abs/2601.03664v1
• Date: Wed, 07 Jan 2026 07:37:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 02:15:23.367778
• Title: Stochastic Voronoi Ensembles for Anomaly Detection
• Title（参考訳）: 異常検出のための確率的ボロノイアンサンブル
• Authors: Yang Cao,
• Abstract要約: SVEAD(Stochastic Voronoi Ensembles Anomaly Detector)を提案する。 45のデータセットの実験では、SVEADが12の最先端アプローチより優れていることが示されている。
• 参考スコア（独自算出の注目度）: 6.508284558109273
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Anomaly detection aims to identify data instances that deviate significantly from majority of data, which has been widely used in fraud detection, network security, and industrial quality control. Existing methods struggle with datasets exhibiting varying local densities: distance-based methods miss local anomalies, while density-based approaches require careful parameter selection and incur quadratic time complexity. We observe that local anomalies, though indistinguishable under global analysis, become conspicuous when the data space is decomposed into restricted regions and each region is examined independently. Leveraging this geometric insight, we propose SVEAD (Stochastic Voronoi Ensembles Anomaly Detector), which constructs ensemble random Voronoi diagrams and scores points by normalized cell-relative distances weighted by local scale. The proposed method achieves linear time complexity and constant space complexity. Experiments on 45 datasets demonstrate that SVEAD outperforms 12 state-of-the-art approaches.
• Abstract（参考訳）: 異常検出は、不正検出、ネットワークセキュリティ、産業品質管理に広く使用されている、大部分のデータから大きく逸脱したデータインスタンスを特定することを目的としている。 距離ベース手法は局所異常を見逃し、密度ベース手法は慎重にパラメータ選択と2次時間複雑さを必要とする。 我々は,データ空間が制限領域に分解され,各領域が独立して検討される場合,局所異常はグローバル分析では区別できないが,顕著となることを観察した。 このような幾何学的洞察を生かしたSVEAD(Stochastic Voronoi Ensembles Anomaly Detector)を提案する。 提案手法は線形時間複雑性と定数空間複雑性を実現する。 45のデータセットの実験では、SVEADが12の最先端アプローチより優れていることが示されている。

関連論文リスト

• Finding Time Series Anomalies using Granular-ball Vector Data Description [29.555765407206408]
  グラニュラーボールワンクラスネットワーク(GBOC)は、グラニュラーボールベクトルデータ記述(GVDD)と呼ばれるデータ適応型表現に基づく新しいアプローチである。 GVDDは、潜在空間をグラニュラーボールで表されるコンパクトで高密度な領域に分割する。 推論中、最も近いグラニュラーボールまでの距離に基づいて異常スコアが計算される。
  論文  参考訳（メタデータ） (2025-11-15T10:24:53Z)
• Isolation-based Spherical Ensemble Representations for Anomaly Detection [60.989157958972356]
  不正検出、ネットワークセキュリティ、ログ監視を対象とするアプリケーションによるデータマイニングと管理において、異常検出は重要なタスクである。 既存の教師なし異常検出手法は、分散仮定の矛盾、計算の非効率性、異なる異常型を扱う難しさなど、基本的な課題に直面している。 Isolation-based Spherical Ensemble Representations (ISER) は, 局所密度特性のプロキシとしてハイパースフィアラジイを用いて, 線形時間と定数空間の複雑さを保ちながら, 既存の分離法を拡張したものである。
  論文  参考訳（メタデータ） (2025-10-15T09:00:05Z)
• Robust Spatiotemporally Contiguous Anomaly Detection Using Tensor Decomposition [14.212807007278185]
  本稿では,非教師付きテンソルに基づく異常検出手法を提案する。 提案手法は合成データと実データの両方で評価される。
  論文  参考訳（メタデータ） (2025-10-01T03:25:44Z)
• Detecting Localized Density Anomalies in Multivariate Data via Coin-Flip Statistics [38.24458888666912]
  本稿では,2つのデータセットを比較する異常検出手法であるEagleEyeを紹介する。 異常は、各点について、隣人の登録ラベルの順序付けられたシーケンスをモデル化することによって検出される。 人工と実世界の両方のデータセットの実験を通して、その効果を実証する。
  論文  参考訳（メタデータ） (2025-03-31T10:20:04Z)
• A Dataset for Semantic Segmentation in the Presence of Unknowns [49.795683850385956]
  既存のデータセットは、既知のものや未知のもののみの評価を可能にするが、両方ではない。 乱雑な実環境からの多様な異常な入力を特徴とする,新しい異常セグメンテーションデータセットISSUを提案する。 データセットは、既存の異常セグメンテーションデータセットの2倍大きい。
  論文  参考訳（メタデータ） (2025-03-28T10:31:01Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Generative Anomaly Detection for Time Series Datasets [1.7954335118363964]
  交通渋滞異常検出は知的交通システムにおいて最重要事項である。 本稿では,トラヒック異常検出のためのトラヒック密度推定を行うデータ駆動型生成手法を提案する。 Recall と F1-Score の両手法により, 最先端の混雑異常検出法と診断法を比較検討した。
  論文  参考訳（メタデータ） (2022-06-28T17:08:47Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。