論文の概要: Universal Transformation of One-Class Classifiers for Unsupervised Anomaly Detection

• arxiv url: http://arxiv.org/abs/2602.13091v1
• Date: Fri, 13 Feb 2026 16:54:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:54.041254
• Title: Universal Transformation of One-Class Classifiers for Unsupervised Anomaly Detection
• Title（参考訳）: 教師なし異常検出のための一クラス分類器の普遍変換
• Authors: Declan McIntosh, Alexandra Branzan Albu,
• Abstract要約: 異常検出は通常、一級分類問題として定式化される。 本稿では,任意の1クラス分類器に基づく異常検出器を,完全に教師なしの手法に変換するデータセット折り畳み方式を提案する。
• 参考スコア（独自算出の注目度）: 51.73001988341294
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting anomalies in images and video is an essential task for multiple real-world problems, including industrial inspection, computer-assisted diagnosis, and environmental monitoring. Anomaly detection is typically formulated as a one-class classification problem, where the training data consists solely of nominal values, leaving methods built on this assumption susceptible to training label noise. We present a dataset folding method that transforms an arbitrary one-class classifier-based anomaly detector into a fully unsupervised method. This is achieved by making a set of key weak assumptions: that anomalies are uncommon in the training dataset and generally heterogeneous. These assumptions enable us to utilize multiple independently trained instances of a one-class classifier to filter the training dataset for anomalies. This transformation requires no modifications to the underlying anomaly detector; the only changes are algorithmically selected data subsets used for training. We demonstrate that our method can transform a wide variety of one-class classifier anomaly detectors for both images and videos into unsupervised ones. Our method creates the first unsupervised logical anomaly detectors by transforming existing methods. We also demonstrate that our method achieves state-of-the-art performance for unsupervised anomaly detection on the MVTec AD, ViSA, and MVTec Loco AD datasets. As improvements to one-class classifiers are made, our method directly transfers those improvements to the unsupervised domain, linking the domains.
• Abstract（参考訳）: 画像やビデオの異常を検出することは、産業検査、コンピュータ支援診断、環境モニタリングなど、複数の現実世界の問題に欠かせない課題である。 異常検出は典型的には一級分類問題として定式化され、トレーニングデータは名目値のみで構成され、この仮定に基づいて構築された手法はラベルノイズの訓練に影響を受けやすい。 本稿では,任意の1クラス分類器に基づく異常検出器を,完全に教師なしの手法に変換するデータセット折り畳み方式を提案する。 これは、トレーニングデータセットでは異常が珍しく、概して異種である、という一連の重要な弱い仮定によって達成される。 これらの仮定により、一級分類器の独立に訓練された複数のインスタンスを使用して、異常のトレーニングデータセットをフィルタリングすることができる。 この変換は、基礎となる異常検出器の変更を必要としない。 本手法は,画像とビデオの両方に対して,多種多様な一級分類器異常検出器を教師なしに変換できることを実証する。 本手法は, 既存の手法を変換することによって, 教師なし論理異常検出器を初めて生成する。 また,本手法はMVTec AD, ViSA, MVTec Loco ADデータセットにおける教師なし異常検出のための最先端性能を実現する。 1クラス分類器の改善がなされると、この手法はこれらの改善を教師なしドメインに直接転送し、ドメインをリンクする。

関連論文リスト

• Enhancing Anomaly Detection via Generating Diversified and Hard-to-distinguish Synthetic Anomalies [7.021105583098609]
  近年のアプローチでは、通常のサンプルから合成異常を生成するためにドメイン固有の変換や摂動を活用することに重点を置いている。 そこで本研究では,条件付き摂動器と判別器を併用したドメインに依存しない新しい手法を提案する。 我々は,最先端のベンチマークよりも提案手法が優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-16T08:15:23Z)
• Towards Open-World Object-based Anomaly Detection via Self-Supervised Outlier Synthesis [15.748043194987075]
  この研究は、オープンワールドオブジェクト検出器とOoD検出器を仮想外周で活用することでギャップを埋めることを目的としている。 提案手法では,オブジェクト検出アーキテクチャ全体を拡張して,クラスラベルに依存することなく,異常に認識された特徴表現を学習する。 提案手法は,オブジェクトレベルの異常検出における最先端性能を確立し,自然画像の平均リコールスコアを5.4%以上向上させる。
  論文  参考訳（メタデータ） (2024-07-22T16:16:38Z)
• GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
  GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。 本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。 提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
  論文  参考訳（メタデータ） (2024-07-17T09:27:41Z)
• Active anomaly detection based on deep one-class classification [9.904380236739398]
  我々は,Deep SVDDにおけるアクティブラーニングの2つの重要な課題,すなわちクエリ戦略と半教師付きラーニング手法に対処する。 まず、単に異常を識別するのではなく、適応境界に従って不確実なサンプルを選択する。 第2に、ラベル付き正規データと異常データの両方を効果的に組み込むために、一級分類モデルの訓練にノイズコントラスト推定を適用した。
  論文  参考訳（メタデータ） (2023-09-18T03:56:45Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Abuse and Fraud Detection in Streaming Services Using Heuristic-Aware Machine Learning [0.45880283710344055]
  本研究は,ユーザのストリーミング動作をモデル化することで,ストリーミングサービスに対する不正・悪用検出フレームワークを提案する。 本研究では,半教師付きアプローチと,異常検出のための教師付きアプローチについて検討する。 私たちの知る限りでは、実世界のストリーミングサービスにおいて、不正行為の検出と不正検出に機械学習を使った最初の論文である。
  論文  参考訳（メタデータ） (2022-03-04T03:57:58Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• Self-Trained One-class Classification for Unsupervised Anomaly Detection [56.35424872736276]
  異常検出(AD)は、製造から医療まで、さまざまな分野に応用されている。 本研究は、トレーニングデータ全体がラベル付けされておらず、正規サンプルと異常サンプルの両方を含む可能性のある、教師なしAD問題に焦点を当てる。 この問題に対処するため,データリファインメントによる堅牢な一級分類フレームワークを構築した。 本手法は6.3AUCと12.5AUCの平均精度で最先端の1クラス分類法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-11T01:36:08Z)
• Meta-learning One-class Classifiers with Eigenvalue Solvers for Supervised Anomaly Detection [55.888835686183995]
  教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。 提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
  論文  参考訳（メタデータ） (2021-03-01T01:43:04Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。