論文の概要: Why the Counterintuitive Phenomenon of Likelihood Rarely Appears in Tabular Anomaly Detection with Deep Generative Models?

• arxiv url: http://arxiv.org/abs/2602.09593v1
• Date: Tue, 10 Feb 2026 09:47:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.479124
• Title: Why the Counterintuitive Phenomenon of Likelihood Rarely Appears in Tabular Anomaly Detection with Deep Generative Models?
• Title（参考訳）: 深部生成モデルを用いた喉頭異常検出における好中球の非直観的現象について
• Authors: Donghwan Kim, Junghun Phee, Hyunsoo Yoon,
• Abstract要約: 抽出可能で解析的に計算可能な確率を持つ深層生成モデルは、確率に基づくスコアリングによる異常検出に有効な基礎を提供することを示す。 まずドメインに依存しない定式化を導入し,その反直観的現象を一貫した検出と評価を可能にした。
• 参考スコア（独自算出の注目度）: 21.413182456188807
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep generative models with tractable and analytically computable likelihoods, exemplified by normalizing flows, offer an effective basis for anomaly detection through likelihood-based scoring. We demonstrate that, unlike in the image domain where deep generative models frequently assign higher likelihoods to anomalous data, such counterintuitive behavior occurs far less often in tabular settings. We first introduce a domain-agnostic formulation that enables consistent detection and evaluation of the counterintuitive phenomenon, addressing the absence of precise definition. Through extensive experiments on 47 tabular datasets and 10 CV/NLP embedding datasets in ADBench, benchmarked against 13 baseline models, we demonstrate that the phenomenon, as defined, is consistently rare in general tabular data. We further investigate this phenomenon from both theoretical and empirical perspectives, focusing on the roles of data dimensionality and difference in feature correlation. Our results suggest that likelihood-only detection with normalizing flows offers a practical and reliable approach for anomaly detection in tabular domains.
• Abstract（参考訳）: 流れの正規化によって例示される、抽出可能で解析的に計算可能な確率を持つ深い生成モデルは、確率に基づくスコアリングによる異常検出に有効な基礎を提供する。 深部生成モデルが異常なデータに高い確率を割り当てる画像領域とは異なり、このような直観的行動は表の設定においてはるかに少ない頻度で発生することを示す。 まずドメインに依存しない定式化を導入し, 正確な定義の欠如に対処し, 反直観的現象の一貫した検出と評価を可能にする。 ADBenchにおける47の表状データセットと10のCV/NLP埋め込みデータセットに関する広範な実験を通じて、13のベースラインモデルに対してベンチマークを行い、この現象が定義されているように、一般的な表状データでは一貫して稀であることを示した。 さらに,この現象を理論的・経験的両面から考察し,データ次元と特徴相関の相違に着目した。 この結果から,正規化フローによる可能性のみの検出は,表領域における異常検出の実用的かつ信頼性の高い手法であることが示唆された。

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)
• Two Is Better Than One: Aligned Representation Pairs for Anomaly Detection [56.57122939745213]
  異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。 近年の自己教師型手法は, 異常に関する事前知識を用いて, トレーニング中に合成外れ値を生成することによって, それらの表現をうまく学習している。 この制限は、通常のサンプルにおける対称性に関する事前の知識を活用して、異なるコンテキストでデータを観測する、新しいアプローチであるCon$で対処する。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Approximating Counterfactual Bounds while Fusing Observational, Biased and Randomised Data Sources [64.96984404868411]
  我々は、複数の、偏見のある、観察的、介入的な研究からのデータを統合するという問題に対処する。 利用可能なデータの可能性は局所的な最大値を持たないことを示す。 次に、同じアプローチが複数のデータセットの一般的なケースにどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2023-07-31T11:28:24Z)
• TabADM: Unsupervised Tabular Anomaly Detection with Diffusion Models [5.314466196448187]
  本稿では,非教師付き異常検出に有効な拡散型確率モデルを提案する。 本モデルは, 特異な拒絶手法を用いて, サンプルの密度を学習するよう訓練されている。 低密度領域のサンプルとして異常を同定する。
  論文  参考訳（メタデータ） (2023-07-23T14:02:33Z)
• 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)
• Understanding the Effect of Bias in Deep Anomaly Detection [15.83398707988473]
  異常検出はラベル付き異常データの不足のため、機械学習においてユニークな課題となる。 最近の研究は、追加のラベル付き異常サンプルによる深部異常検出モデルのトレーニングを増強することで、このような問題を緩和しようとするものである。 本稿では,異常検出に対するバイアス付き異常集合の効果を理解することを目的とする。
  論文  参考訳（メタデータ） (2021-05-16T03:55:02Z)
• Deep Weakly-supervised Anomaly Detection [118.55172352231381]
  ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。 PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。 12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
  論文  参考訳（メタデータ） (2019-10-30T00:40:25Z)

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。