論文の概要: Interpretable Maximum Margin Deep Anomaly Detection

• arxiv url: http://arxiv.org/abs/2603.07073v1
• Date: Sat, 07 Mar 2026 07:06:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:13.788168
• Title: Interpretable Maximum Margin Deep Anomaly Detection
• Title（参考訳）: 解釈可能な最大マージン深部異常検出
• Authors: Zhiji Yang, Mei Huang, Xinyu Li, Xianli Pan, Qi Wang, Jianhua Zhao,
• Abstract要約: 異常検出は広範囲のアプリケーションにおいて重要な機械学習タスクである。 我々はIMD-AD(Maximum Interpretable Margin Deep Anomaly Detection)を提案する。
• 参考スコア（独自算出の注目度）: 10.25312830872628
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection is a crucial machine-learning task with wide-ranging applications. Deep Support Vector Data Description (Deep SVDD) is a prominent deep one-class method, but it is vulnerable to hypersphere collapse, often relies on heuristic choices for hypersphere parameters, and provides limited interpretability. To address these issues, we propose Interpretable Maximum Margin Deep Anomaly Detection (IMD-AD), which leverages a small set of labeled anomalies and a maximum margin objective to stabilize training and improve discrimination. It is inherently resilient to hypersphere collapse. Furthermore, we prove an equivalence between hypersphere parameters and the network's final-layer weights, which allows the center and radius to be learned end-to-end as part of the model and yields intrinsic interpretability and visualizable outputs. We further develop an efficient training algorithm that jointly optimizes representation, margin, and final-layer parameters. Extensive experiments and ablation studies on image and tabular benchmarks demonstrate that IMD-AD empirically improves detection performance over several state-of-the-art baselines while providing interpretable decision diagnostics.
• Abstract（参考訳）: 異常検出は広範囲のアプリケーションにおいて重要な機械学習タスクである。 ディープサポートベクトルデータ記述(Deep Support Vector Data Description、ディープSVDD)は、非常に深い一級法であるが、ハイパースフィアの崩壊に対して脆弱であり、しばしばハイパースフィアパラメータのヒューリスティックな選択に依存し、限定的な解釈性を提供する。 これらの問題に対処するために,少数のラベル付き異常と最大余剰目標を有効活用し,トレーニングの安定化と差別の向上を図る,解釈可能な最大マージン深部異常検出(IMD-AD)を提案する。 本質的には超球崩壊に対して弾力性がある。 さらに、超球面パラメータとネットワークの最終層重みの等価性を証明し、モデルの一部として中心と半径をエンドツーエンドに学習し、本質的な解釈可能性および可視化可能な出力を得る。 さらに、表現、マージン、最終層パラメータを協調的に最適化する効率的なトレーニングアルゴリズムを開発した。 画像および表のベンチマークに関する大規模な実験とアブレーション研究により、IMD-ADは、解釈可能な決定診断を提供しながら、いくつかの最先端のベースラインにおける検出性能を実証的に改善することを示した。

関連論文リスト

• Rethinking Evaluation of Infrared Small Target Detection [105.59753496831739]
  本稿では,画素レベルと目標レベルのパフォーマンスを取り入れたハイブリッドレベルのメトリクスを導入し,システム的エラー解析手法を提案し,クロスデータセット評価の重要性を強調した。 標準化されたベンチマークを容易にするオープンソースツールキットがリリースされた。
  論文  参考訳（メタデータ） (2025-09-21T02:45:07Z)
• Towards Size-invariant Salient Object Detection: A Generic Evaluation and Optimization Approach [118.75896764188424]
  本稿では,既存の広範に使用されているSalient Object Detectionメトリクスの固有サイズ感度を明らかにするために,新しい視点を示す。 この課題に対処するため、汎用的なサイズ不変評価(SIEva)フレームワークが提案されている。 さらに、サイズ不変の原理に固執する専用最適化フレームワーク(SIOpt)を開発し、幅広いサイズにわたる有能な物体の検出を大幅に強化する。
  論文  参考訳（メタデータ） (2025-09-19T04:12:14Z)
• Nearshore Underwater Target Detection Meets UAV-borne Hyperspectral Remote Sensing: A Novel Hybrid-level Contrastive Learning Framework and Benchmark Dataset [6.832892497880372]
  UAV搭載ハイパースペクトルリモートセンシングは、水中目標検出(UTD)のための有望なアプローチとして登場した 近海環境におけるスペクトル歪みによって妨げられ、従来の超スペクトルUTD法の精度を損なう。 沿岸域における強靭なHUTDのための自己評価学習パラダイムとコントラスト学習を統合した新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-20T12:25:30Z)
• Spectrum-oriented Point-supervised Saliency Detector for Hyperspectral Images [13.79887292039637]
  ハイパースペクトル・サリエント物体検出(HSOD)における点監督について紹介する。 本稿では,従来のHSOD法から派生したスペクトル・サリエンシを,そのフレームワーク内で重要なスペクトル表現として組み込む。 本稿では,HSIに特化して設計された新しいパイプラインを提案し,点監督戦略に関連した性能低下を効果的に軽減する。
  論文  参考訳（メタデータ） (2024-12-24T02:52:43Z)
• Alpha-VI DeepONet: A prior-robust variational Bayesian approach for enhancing DeepONets with uncertainty quantification [0.0]
  一般化変分推論(GVI)を組み込んだ新しいディープオペレータネットワーク(DeepONet)を提案する。 分岐ネットワークとトランクネットワークのビルディングブロックとしてベイズニューラルネットワークを組み込むことで,不確実な定量化が可能なDeepONetを実現する。 変動目的関数の修正は平均二乗誤差を最小化する点で優れた結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-08-01T16:22:03Z)
• HyperDID: Hyperspectral Intrinsic Image Decomposition with Deep Feature Embedding [9.32185717565188]
  本研究は, 深い特徴埋め込みを導入することで, 分類タスクの超スペクトル固有画像分解について再考する。 提案フレームワークであるHyperDIDには,環境特徴モジュール(EFM)とカテゴリー特徴モジュール(CFM)が組み込まれ,固有の特徴を抽出する。 3つの一般的なデータセットに対する実験結果は、ハイパースペクトル画像分類性能を改善するためにHyperDIDの有効性を検証する。
  論文  参考訳（メタデータ） (2023-11-25T02:05:10Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• An Asymptotically Optimal Multi-Armed Bandit Algorithm and Hyperparameter Optimization [48.5614138038673]
  本稿では,高パラメータ探索評価のシナリオにおいて,SS (Sub-Sampling) と呼ばれる効率的で堅牢な帯域幅に基づくアルゴリズムを提案する。 また,BOSSと呼ばれる新しいパラメータ最適化アルゴリズムを開発した。 実験的な研究は、SSの理論的議論を検証し、多くのアプリケーションにおけるBOSSの優れた性能を実証する。
  論文  参考訳（メタデータ） (2020-07-11T03:15:21Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。