論文の概要: Anomaly Detection via Mean Shift Density Enhancement

• arxiv url: http://arxiv.org/abs/2602.03293v1
• Date: Tue, 03 Feb 2026 09:20:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.352163
• Title: Anomaly Detection via Mean Shift Density Enhancement
• Title（参考訳）: 平均シフト密度向上による異常検出
• Authors: Pritam Kar, Rahul Bordoloi, Olaf Wolkenhauer, Saptarshi Bej,
• Abstract要約: 本稿では,密度駆動多様体の進化に対する幾何学的応答を通じて異常を検出する,完全に教師なしのフレームワークを提案する。 MSDEは、局所密度によって十分に支持されている通常のサンプルが反復密度増強の下で安定であるという原理に基づいている。 MSDEは、AUC-ROC、AUC-PR、Precision@nに対して、いくつかのノイズレベルと、いくつかの種類の異常に対して、一貫して強い、バランスのとれた、堅牢な性能を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised anomaly detection stands as an important problem in machine learning, with applications in financial fraud prevention, network security and medical diagnostics. Existing unsupervised anomaly detection algorithms rarely perform well across different anomaly types, often excelling only under specific structural assumptions. This lack of robustness also becomes particularly evident under noisy settings. We propose Mean Shift Density Enhancement (MSDE), a fully unsupervised framework that detects anomalies through their geometric response to density-driven manifold evolution. MSDE is based on the principle that normal samples, being well supported by local density, remain stable under iterative density enhancement, whereas anomalous samples undergo large cumulative displacements as they are attracted toward nearby density modes. To operationalize this idea, MSDE employs a weighted mean-shift procedure with adaptive, sample-specific density weights derived from a UMAP-based fuzzy neighborhood graph. Anomaly scores are defined by the total displacement accumulated across a small number of mean-shift iterations. We evaluate MSDE on the ADBench benchmark, comprising forty six real-world tabular datasets, four realistic anomaly generation mechanisms, and six noise levels. Compared to 13 established unsupervised baselines, MSDE achieves consistently strong, balanced and robust performance for AUC-ROC, AUC-PR, and Precision@n, at several noise levels and on average over several types of anomalies. These results demonstrate that displacement-based scoring provides a robust alternative to the existing state-of-the-art for unsupervised anomaly detection.
• Abstract（参考訳）: 教師なし異常検出は、金融詐欺防止、ネットワークセキュリティ、医療診断など、機械学習における重要な問題である。 既存の教師なし異常検出アルゴリズムは、しばしば特定の構造的仮定の下でのみ優れている。 この堅牢性の欠如は、ノイズの多い設定で特に顕著になる。 我々は,密度駆動多様体の進化に対する幾何学的応答を通じて異常を検出する,完全に教師なしのフレームワークである平均シフト密度拡張(MSDE)を提案する。 MSDEは、局所密度によって十分に支持されている通常の試料は反復密度向上の下で安定であり、一方異常標本は近くの密度モードに惹きつけられるにつれて大きな累積変位を受けるという原理に基づいている。 このアイデアを運用するために、MSDE は UMAP ベースのファジィ近傍グラフから導出した適応的、サンプル特異的密度重み付き重み付き平均シフト法を採用している。 異常スコアは、少数の平均シフト反復で蓄積された総変位によって定義される。 我々はADBenchベンチマークでMSDEを評価し,実世界の6つの表型データセット,4つの現実的異常発生機構,6つのノイズレベルからなる。 教師なしベースライン13と比較して、MSDEはAUC-ROC、AUC-PR、Precision@nに対して、いくつかのノイズレベルと、複数の種類の異常に対して、一貫して強く、バランスよく、頑健な性能を達成する。 これらの結果は、変位に基づくスコアリングが、教師なし異常検出のための既存の最先端技術に代わる堅牢な代替手段であることを示している。

関連論文リスト

• Multi-Cue Anomaly Detection and Localization under Data Contamination [0.6703429330486276]
  本稿では,適応的偏差学習パラダイムに限定的な異常監視を組み込んだ頑健な異常検出フレームワークを提案する。 本フレームワークは, 各種データ汚染下での強い検出・局所化性能, 解釈可能性, 堅牢性を実現する。
  論文  参考訳（メタデータ） (2026-01-30T12:34:13Z)
• Few-Shot Anomaly-Driven Generation for Anomaly Classification and Segmentation [38.76264181764036]
  異常検出は, 産業検査における異常サンプルの不足により, 実用的かつ困難な課題である。 本稿では,現実的かつ多様な異常を生成するために拡散モデルを誘導するAnoGen法を提案する。 本手法は,DRAEMとDesTSegを基礎モデルとして構築し,一般的な産業用異常検出データセットであるMVTecの実験を行う。
  論文  参考訳（メタデータ） (2025-05-14T10:25:06Z)
• Weakly-supervised anomaly detection for multimodal data distributions [25.60381244912307]
  Weakly-supervised Variational-mixture-based Anomaly Detector (WVAD)を提案する。 WVADはマルチモーダルデータセットで優れている。 3つの実世界のデータセットの実験結果は、WVADの優位性を示している。
  論文  参考訳（メタデータ） (2024-06-13T14:14:27Z)
• AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
  製造業において異常検査が重要な役割を担っている。 既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。 本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:13:40Z)
• MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly Detection [124.52227588930543]
  教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。 不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。 非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。 我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
  論文  参考訳（メタデータ） (2023-08-29T13:38:35Z)
• Anomaly Detection with Variance Stabilized Density Estimation [49.46356430493534]
  本稿では, 観測試料の確率を最大化するための分散安定化密度推定問題を提案する。 信頼性の高い異常検知器を得るために,分散安定化分布を学習するための自己回帰モデルのスペクトルアンサンブルを導入する。 我々は52のデータセットで広範なベンチマークを行い、我々の手法が最先端の結果につながることを示した。
  論文  参考訳（メタデータ） (2023-06-01T11:52:58Z)
• Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
  本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。 PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。 異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
  論文  参考訳（メタデータ） (2022-12-05T05:03:46Z)

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。