論文の概要: Extended Isolation Forest with feature sensitivities

• arxiv url: http://arxiv.org/abs/2602.09704v1
• Date: Tue, 10 Feb 2026 12:03:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.519749
• Title: Extended Isolation Forest with feature sensitivities
• Title（参考訳）: 特徴感のある拡張された孤立林
• Authors: Illia Donhauzer,
• Abstract要約: 本稿では,異方性孤立林(AIF)と呼ばれる特徴感のある拡張孤立林について紹介する。 AIFは、特徴空間内の異なる特徴または方向の偏差に対して制御可能な感度で異常検出を可能にする。 合成および実世界のデータセットに適用することで,アルゴリズムの性能を実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Compared to theoretical frameworks that assume equal sensitivity to deviations in all features of data, the theory of anomaly detection allowing for variable sensitivity across features is less developed. To the best of our knowledge, this issue has not yet been addressed in the context of isolation-based methods, and this paper represents the first attempt to do so. This paper introduces an Extended Isolation Forest with feature sensitivities, which we refer to as the Anisotropic Isolation Forest (AIF). In contrast to the standard EIF, the AIF enables anomaly detection with controllable sensitivity to deviations in different features or directions in the feature space. The paper also introduces novel measures of directional sensitivity, which allow quantification of AIF's sensitivity in different directions in the feature space. These measures enable adjustment of the AIF's sensitivity to task-specific requirements. We demonstrate the performance of the algorithm by applying it to synthetic and real-world datasets. The results show that the AIF enables anomaly detection that focuses on directions in the feature space where deviations from typical behavior are more important.
• Abstract（参考訳）: データのすべての特徴における偏差に等しい感度を仮定する理論フレームワークと比較して、特徴間の変動感度を許容する異常検出の理論は、あまり発達しない。 我々の知る限りでは、この問題は分離に基づく手法の文脈ではまだ解決されておらず、本論文はそれを行う最初の試みである。 本稿では,異方性孤立林(AIF)と呼ばれる特徴感のある拡張孤立林について紹介する。 標準のEDFとは対照的に、AIFは特徴空間における異なる特徴や方向の偏差に対して制御可能な感度で異常検出を可能にする。 また,特徴空間の異なる方向におけるAIFの感度の定量化を可能にする,方向感度の新しい尺度についても紹介した。 これらの措置は、タスク固有の要求に対するAIFの感度の調整を可能にする。 合成および実世界のデータセットに適用することで,アルゴリズムの性能を実証する。 その結果、AIFは特徴空間の方向に着目した異常検出を可能にし、典型的な行動からの逸脱がより重要であることが示された。

関連論文リスト

• Reason-IAD: Knowledge-Guided Dynamic Latent Reasoning for Explainable Industrial Anomaly Detection [85.29900916231655]
  Reason-IADは、説明可能な産業異常検出のための知識誘導型動的潜在推論フレームワークである。 実験により、Reason-IADは最先端の手法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2026-02-10T14:54:17Z)
• Efficient Test-time Adaptive Object Detection via Sensitivity-Guided Pruning [73.40364018029673]
  連続的なテスト時間適応オブジェクト検出(CTTA-OD)は、源となる事前訓練された検出器を常に変化する環境にオンライン適応させることを目的としている。 私たちのモチベーションは、学習したすべての特徴が有益であるとは限らないという観察に起因しています。 FLOPの計算オーバヘッドを12%削減し,優れた適応性を実現する。
  論文  参考訳（メタデータ） (2025-06-03T05:27:56Z)
• Crane: Context-Guided Prompt Learning and Attention Refinement for Zero-Shot Anomaly Detection [50.343419243749054]
  異常検出は、医学診断や工業的欠陥検出などの分野において重要である。 CLIPの粗粒化画像テキストアライメントは、微粒化異常に対する局所化と検出性能を制限する。 クレーンは最先端のZSADを2%から28%に改善し、画像レベルとピクセルレベルの両方で、推論速度では競争力を維持している。
  論文  参考訳（メタデータ） (2025-04-15T10:42:25Z)
• Uncertainty Representation in a SOTIF-Related Use Case with Dempster-Shafer Theory for LiDAR Sensor-Based Object Detection [0.0]
  LiDARセンサによる物体検出の不確かさは、環境変動とセンサ性能の限界から生じる。 Dempster-Shafer Theory (DST) は、検出結果を表すための識別フレーム(FoD)を構築するために用いられる。 イェーガーの組合せ規則は、複数の情報源の矛盾する証拠を解決するために用いられる。
  論文  参考訳（メタデータ） (2025-03-03T22:13:51Z)
• A new paradigm for global sensitivity analysis [0.0]
  グローバル感度分析の現在の理論はスコープに限られており、例えば、分析は出力の分散に限られている。 これらの重要な問題は,新しいパラダイムを採用することで,一度に解決できることが示されている。
  論文  参考訳（メタデータ） (2024-09-10T07:20:51Z)
• A Neural Framework for Generalized Causal Sensitivity Analysis [78.71545648682705]
  本稿では,因果感受性分析のためのニューラルネットワークフレームワークであるNeuralCSAを提案する。 我々は、NeuralCSAが関心の因果クエリに有効な境界を推測できることを理論的に保証する。
  論文  参考訳（メタデータ） (2023-11-27T17:40:02Z)
• How are Prompts Different in Terms of Sensitivity? [50.67313477651395]
  本稿では,関数の感度に基づく包括的即時解析を提案する。 出力に対する入力トークンの関連性に異なるプロンプトがどう影響するかを実証的に示すために、勾配に基づく唾液度スコアを使用する。 本稿では, 感度推定をペナルティ項として組み込んだ感度認識復号法を標準グリーディ復号法で導入する。
  論文  参考訳（メタデータ） (2023-11-13T10:52:01Z)
• A Sequentially Fair Mechanism for Multiple Sensitive Attributes [0.46040036610482665]
  アルゴリズムフェアネスの標準的なユースケースでは、感度変数と対応するスコアの関係を排除することが目標である。 センシティブな特徴の集合にまたがって、段階的に公平性を達成できるシーケンシャルなフレームワークを提案する。 当社のアプローチは、リスクと不公平の間のトレードオフを緩和するフレームワークを包含することで、公平性をシームレスに拡張します。
  論文  参考訳（メタデータ） (2023-09-12T22:31:57Z)
• Detecting Adversarial Examples from Sensitivity Inconsistency of Spatial-Transform Domain [17.191679125809035]
  敵対的な例(AE)は、劇的なモデル出力エラーを引き起こすように悪意のある設計です。 本研究では,正規例 (nes) が決定境界の高度に曲率の高い領域で発生するゆらぎに敏感でないことを明らかにする。 通常、1つの領域(主に空間領域)上に設計されたAEは、そのような変動に対して極端に敏感である。
  論文  参考訳（メタデータ） (2021-03-07T08:43:22Z)

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。