論文の概要: Hierarchical Reference Sets for Robust Unsupervised Detection of Scattered and Clustered Outliers

• arxiv url: http://arxiv.org/abs/2603.12847v1
• Date: Fri, 13 Mar 2026 09:48:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:12.036217
• Title: Hierarchical Reference Sets for Robust Unsupervised Detection of Scattered and Clustered Outliers
• Title（参考訳）: 散乱・クラスター外乱のロバスト非教師検出のための階層的基準セット
• Authors: Yiqun Zhang, Zexi Tan, Xiaopeng Luo, Yunlin Liu,
• Abstract要約: クラスタ化された外れ値は、局所密度が比較的高いため、通常の振る舞いと容易に間違えることができる。 本稿では,グラフ構造を用いた自然近傍関係を利用した新しい外乱検出パラダイムを提案する。 提案手法は, クラスタ化異常による干渉を伴わずに, 分散した外れ値の有効認識を可能にする。
• 参考スコア（独自算出の注目度）: 8.21087649188741
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most real-world IoT data analysis tasks, such as clustering and anomaly event detection, are unsupervised and highly susceptible to the presence of outliers. In addition to sporadic scattered outliers caused by factors such as faulty sensor readings, IoT systems often exhibit clustered outliers. These occur when multiple devices or nodes produce similar anomalous measurements, for instance, owing to localized interference, emerging security threats, or regional false alarms, forming micro-clusters. These clustered outliers can be easily mistaken for normal behavior because of their relatively high local density, thereby obscuring the detection of both scattered and contextual anomalies. To address this, we propose a novel outlier detection paradigm that leverages the natural neighboring relationships using graph structures. This facilitates multi-perspective anomaly evaluation by incorporating reference sets at both local and global scales derived from the graph. Our approach enables the effective recognition of scattered outliers without interference from clustered anomalies, whereas the graph structure simultaneously helps reflect and isolate clustered outlier groups. Extensive experiments, including comparative performance analysis, ablation studies, validation on downstream clustering tasks, and evaluation of hyperparameter sensitivity, demonstrate the efficacy of the proposed method. The source code is available at https://github.com/gordonlok/DROD.
• Abstract（参考訳）: クラスタリングや異常なイベント検出といった実際のIoTデータ分析タスクは、監視されず、オプティラの存在に非常に影響を受けやすい。 異常センサーの読み取りなどの要因によって引き起こされる散発的な異常値に加えて、IoTシステムは、しばしばクラスタ化された異常値を表示する。 これは、複数のデバイスまたはノードが、例えば、局所的な干渉、出現するセキュリティ脅威、または局所的な偽アラームにより、同様の異常な測定を生成し、マイクロクラスタを形成するときに発生する。 これらのクラスター化された外れ値は、局所密度が比較的高いため、通常の振る舞いと容易に間違えることができ、それによって散在する異常と文脈上の異常の両方を検出できない。 これを解決するために,グラフ構造を用いた自然近傍関係を利用した新しい外乱検出パラダイムを提案する。 これにより、グラフから派生した局所スケールと大域スケールの両方の参照セットを組み込むことで、多視点の異常評価を容易にする。 提案手法は,クラスタ化異常による干渉を伴わずに分散した異常群を効果的に認識するのに対して,グラフ構造は同時にクラスタ化異常群を反映・分離するのに役立つ。 提案手法の有効性を実証するため, 比較性能解析, アブレーション研究, 下流クラスタリング作業の検証, ハイパーパラメータ感度の評価など, 広範囲な実験を行った。 ソースコードはhttps://github.com/gordonlok/DROD.comで公開されている。

関連論文リスト

• Isolation-based Spherical Ensemble Representations for Anomaly Detection [60.989157958972356]
  不正検出、ネットワークセキュリティ、ログ監視を対象とするアプリケーションによるデータマイニングと管理において、異常検出は重要なタスクである。 既存の教師なし異常検出手法は、分散仮定の矛盾、計算の非効率性、異なる異常型を扱う難しさなど、基本的な課題に直面している。 Isolation-based Spherical Ensemble Representations (ISER) は, 局所密度特性のプロキシとしてハイパースフィアラジイを用いて, 線形時間と定数空間の複雑さを保ちながら, 既存の分離法を拡張したものである。
  論文  参考訳（メタデータ） (2025-10-15T09:00:05Z)
• Robust Anomaly Detection via Tensor Pseudoskeleton Decomposition [0.0]
  不正取引の特定からネットワークインフラストラクチャの保護、不規則なパターンに対するセンサシステム監視に至るまで、現代のデータ駆動アプリケーションにおいて、異常検出は重要な役割を担っている。 距離、密度、クラスタベースの手法といった従来のアプローチは、高次元テンソルデータに適用した場合、ノイズの複雑さと計算的堅牢性を増幅する複雑な相互依存性を持つ重要な課題に直面している。 本稿では, テンソル・ロスト主成分分析フレームワーク内での千鳥擬似骨格分解を利用して, スパース異常を分離しながら低いタッカーランク構造を抽出し, 異常検出に対する堅牢性を確保する。
  論文  参考訳（メタデータ） (2025-02-14T05:34:57Z)
• Fuzzy Granule Density-Based Outlier Detection with Multi-Scale Granular Balls [65.44462297594308]
  外乱検出は、正常なデータの分布から大きく逸脱する異常なサンプルの同定を指す。 ほとんどの教師なしの外れ値検出方法は、指定された外れ値を検出するために慎重に設計されている。 ファジィ粗集合に基づくマルチスケールアウトレイラ検出手法を提案し,様々な種類のアウトレイラを同定する。
  論文  参考訳（メタデータ） (2025-01-06T12:35:51Z)
• Towards a Unified Framework of Clustering-based Anomaly Detection [18.30208347233284]
  非教師付き異常検出(UAD)は、ラベル付き例なしでデータ内の異常パターンを識別する上で重要な役割を果たす。 本稿では, 表現学習, クラスタリング, 異常検出の理論的関係を確立するために, 異常検出のための新しい確率混合モデルを提案する。 我々は,表現学習とクラスタリングの併用力を効果的に活用する,改良された異常スコアを考案した。
  論文  参考訳（メタデータ） (2024-06-01T14:30:12Z)
• ARISE: Graph Anomaly Detection on Attributed Networks via Substructure Awareness [70.60721571429784]
  サブ構造認識(ARISE)による属性付きネットワーク上の新しいグラフ異常検出フレームワークを提案する。 ARISEは、異常を識別するグラフのサブ構造に焦点を当てている。 実験により、ARISEは最先端の属性付きネットワーク異常検出(ANAD)アルゴリズムと比較して、検出性能が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2022-11-28T12:17:40Z)
• 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)
• 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)
• 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)

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。