Fugu-MT 論文翻訳(概要): Trivial Graph Features and Classical Learning are Enough to Detect Random Anomalies

論文の概要: Trivial Graph Features and Classical Learning are Enough to Detect Random Anomalies

arxiv url: http://arxiv.org/abs/2603.01841v1
Date: Mon, 02 Mar 2026 13:19:29 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-03 19:50:56.886161
Title: Trivial Graph Features and Classical Learning are Enough to Detect Random Anomalies
Title（参考訳）: トリビアルグラフの特徴と古典的学習はランダムな異常を検出するのに十分である
Authors: Matthieu Latapy, Stephany Rajeh,
Abstract要約: ここでは,そのような異常を検出するには,自明なグラフ特徴や古典的学習技術が十分であることを示す。この基本的なアプローチは計算コストが非常に低く、容易に解釈できる結果をもたらす。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Detecting anomalies in link streams that represent various kinds of interactions is an important research topic with crucial applications. Because of the lack of ground truth data, proposed methods are mostly evaluated through their ability to detect randomly injected links. In contrast with most proposed methods, that rely on complex approaches raising computational and/or interpretability issues, we show here that trivial graph features and classical learning techniques are sufficient to detect such anomalies extremely well. This basic approach has very low computational costs and it leads to easily interpretable results. It also has many other desirable properties that we study through an extensive set of experiments. We conclude that detection methods should now target more complex kinds of anomalies.
Abstract（参考訳）: 様々な種類の相互作用を表すリンクストリームの異常を検出することは、重要な応用に関する重要な研究課題である。根拠となる真理データがないため、提案手法はランダムに挿入されたリンクを検知する能力を通じて主に評価される。計算および/または解釈可能性問題を提起する複雑なアプローチに依存する多くの手法とは対照的に、自明なグラフ特徴や古典的学習技術はそのような異常を極めてよく検出するのに十分であることを示す。この基本的なアプローチは計算コストが非常に低く、容易に解釈できる結果をもたらす。他にも多くの望ましい性質があり、幅広い実験を通して研究している。我々は、より複雑な種類の異常を検知する方法が対象とすべきであると結論付けている。

関連論文リスト

HLSAD: Hodge Laplacian-based Simplicial Anomaly Detection [6.629765271909503]
本研究では, 時間発展型単純錯体における異常検出手法であるHLSADを提案する。本手法は, 単純錯体のホッジラプラシアンのスペクトル特性を利用して, データポイント間の多方向相互作用を効果的にモデル化する。
論文参考訳（メタデータ） (2025-05-30T12:41:08Z)
A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [89.92916473403108]
本稿では,新しい手法のモジュラーフレームワークであるADerの総合的な視覚異常検出ベンチマークを提案する。このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文参考訳（メタデータ） (2024-06-05T13:40:07Z)
Detecting Spurious Correlations via Robust Visual Concepts in Real and AI-Generated Image Classification [12.992095539058022]
本稿では,潜在的スパイラル相関を効率的に検出する汎用手法を提案する。提案手法は,ピクセルレベルのアノテーションを不要にしつつ,直感的な説明を提供する。また,本手法は,生成モデル由来の下流アプリケーションに伝播する急激な相関を検出するのにも適している。
論文参考訳（メタデータ） (2023-11-03T01:12:35Z)
Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
論文参考訳（メタデータ） (2022-11-09T22:40:22Z)
Understanding of the properties of neural network approaches for transient light curve approximations [37.91290708320157]
本稿では,観測光曲線を時間と波長で近似する最良性能法を提案する。テストデータセットには、PLAsTiCCと実際のZwicky Transient Facility Bright Transient Survey光曲線のシミュレーションが含まれている。
論文参考訳（メタデータ） (2022-09-15T18:00:08Z)
The Familiarity Hypothesis: Explaining the Behavior of Deep Open Set Methods [86.39044549664189]
特徴ベクトルデータに対する異常検出アルゴリズムは異常を外れ値として識別するが、外れ値検出はディープラーニングではうまく機能しない。本論文は, 新規性の有無ではなく, 慣れ親しんだ特徴の欠如を検知しているため, これらの手法が成功するというFamiliarity仮説を提案する。本論文は,親しみやすさの検出が表現学習の必然的な結果であるかどうかを論じる。
論文参考訳（メタデータ） (2022-03-04T18:32:58Z)
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)
Graph Neural Network-Based Anomaly Detection in Multivariate Time Series [17.414474298706416]
我々は,高次元時系列データにおける異常を検出する新しい方法を開発した。我々のアプローチは、構造学習アプローチとグラフニューラルネットワークを組み合わせている。本研究では,本手法がベースラインアプローチよりも高精度に異常を検出することを示す。
論文参考訳（メタデータ） (2021-06-13T09:07:30Z)
Towards Fair Deep Anomaly Detection [24.237000220172906]
我々は,fair anomaly detectionアプローチ(deep fair svdd)のための新しいアーキテクチャを提案する。提案手法は,異常検出性能の低下を最小限に抑えることで不公平を解消できることを示す。
論文参考訳（メタデータ） (2020-12-29T22:34:45Z)
Algorithmic Frameworks for the Detection of High Density Anomalies [0.0]
高密度異常(英: high-density anomalies)は、データ空間の最も正常な領域に位置する不確定なケースである。本研究では、教師なし検出のための非パラメトリックアルゴリズムフレームワークをいくつか導入する。
論文参考訳（メタデータ） (2020-10-09T17:48:02Z)
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)
Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文参考訳（メタデータ） (2020-06-22T21:12:31Z)

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。