論文の概要: TACTIC for Navigating the Unknown: Tabular Anomaly deteCTion via In-Context inference

• arxiv url: http://arxiv.org/abs/2603.14171v1
• Date: Sun, 15 Mar 2026 01:06:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.646964
• Title: TACTIC for Navigating the Unknown: Tabular Anomaly deteCTion via In-Context inference
• Title（参考訳）: 未知をナビゲートするTACTIC--文脈推論によるタブラル異常検出-
• Authors: Patryk Marszałek, Tomasz Kuśmierczyk, Marek Śmieja,
• Abstract要約: インコンテキスト学習は、タスク固有の最適化から大規模事前学習へと取り組みを移す新しいパラダイムとして登場した。 本稿では,異常検出のためのコンテキスト内モデルについて検討し,TabPFNの教師なし拡張が不安定な動作を示すことを示す。 本稿では,異常中心の合成前駆体を用いた事前学習に基づくコンテキスト内異常検出手法であるTACTICを紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection for tabular data has been a long-standing unsupervised learning problem that remains a major challenge for current deep learning models. Recently, in-context learning has emerged as a new paradigm that has shifted efforts from task-specific optimization to large-scale pretraining aimed at creating foundation models that generalize across diverse datasets. Although in-context models, such as TabPFN, perform well in supervised problems, their learned classification-based priors may not readily extend to anomaly detection. In this paper, we study in-context models for anomaly detection and show that the unsupervised extensions to TabPFN exhibit unstable behavior, particularly in noisy or contaminated contexts, in addition to the high computational cost. We address these challenges and introduce TACTIC, an in-context anomaly detection approach based on pretraining with anomaly-centric synthetic priors, which provides fast and data-dependent reasoning about anomalies while avoiding dataset-specific tuning. In contrast to typical score-based approaches, which produce uncalibrated anomaly scores that require post-processing (e.g. threshold selection or ranking heuristics), the proposed model is trained as a discriminative predictor, enabling unambiguous anomaly decisions in a single forward pass. Through experiments on real-world datasets, we examine the performance of TACTIC in clean and noisy contexts with varying anomaly rates and different anomaly types, as well as the impact of prior choices on detection quality. Our experiments clearly show that specialized anomaly-centric in-context models such as TACTIC are highly competitive compared to other task-specific methods.
• Abstract（参考訳）: 表形式のデータの異常検出は長年にわたって教師なしの学習問題であり、現在のディープラーニングモデルでは依然として大きな課題である。 近年,タスク固有の最適化から,多様なデータセットにまたがって一般化する基盤モデルの構築を目的とした大規模事前学習へと、新たなパラダイムとしてコンテキスト内学習が生まれている。 TabPFNのようなコンテキスト内モデルは、教師付き問題ではうまく機能するが、それらの学習された分類に基づく事前は、容易に異常検出にまで拡張できない。 本稿では,異常検出のためのコンテキスト内モデルについて検討し,TabPFNの教師なし拡張が,特にノイズや汚染状況において不安定な動作を示すことを示す。 これらの課題に対処し、データセット固有のチューニングを回避しつつ、異常を高速かつデータ依存的に推論する、異常中心の合成事前学習に基づくコンテキスト内異常検出手法であるTACTICを導入する。 ポストプロセッシング(例えばしきい値の選択やランキングヒューリスティックス)を必要とする非可算な異常スコアを生成する典型的なスコアベースのアプローチとは対照的に、提案モデルは識別予測器として訓練され、単一の前方通過における曖昧な異常決定を可能にする。 実世界のデータセットに関する実験を通じて,様々な異常率と異なる異常型を持つクリーンでノイズの多い状況下でのTACTICの性能と,先行選択が検出品質に与える影響について検討した。 実験の結果,TACTIC などの特殊異常中心のインコンテキストモデルが,他のタスク固有手法と比較して高い競争力を持つことが明らかとなった。

関連論文リスト

• Leveraging Learning Bias for Noisy Anomaly Detection [19.23861148116995]
  本稿では、フル教師なし画像異常検出(FUIAD)の課題に対処する。 従来の方法では、異常のないトレーニングデータを仮定するが、実世界の汚染により、モデルは通常通り異常を吸収する。 モデルに固有の学習バイアスを利用する2段階のフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-10T17:47:21Z)
• Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [109.72772150095646]
  FAPromptは、精密なZSADのためのきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。 産業的欠陥と医療的異常の両方をカバーする19の実世界のデータセットの実験は、FAPromptが画像レベルのZSADタスクとピクセルレベルのZSADタスクの両方で最先端の手法を大幅に上回っていることを実証している。
  論文  参考訳（メタデータ） (2024-10-14T08:41:31Z)
• Two Is Better Than One: Aligned Representation Pairs for Anomaly Detection [56.57122939745213]
  異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。 近年の自己教師型手法は, 異常に関する事前知識を用いて, トレーニング中に合成外れ値を生成することによって, それらの表現をうまく学習している。 この制限は、通常のサンプルにおける対称性に関する事前の知識を活用して、異なるコンテキストでデータを観測する、新しいアプローチであるCon$で対処する。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• Active anomaly detection based on deep one-class classification [9.904380236739398]
  我々は,Deep SVDDにおけるアクティブラーニングの2つの重要な課題,すなわちクエリ戦略と半教師付きラーニング手法に対処する。 まず、単に異常を識別するのではなく、適応境界に従って不確実なサンプルを選択する。 第2に、ラベル付き正規データと異常データの両方を効果的に組み込むために、一級分類モデルの訓練にノイズコントラスト推定を適用した。
  論文  参考訳（メタデータ） (2023-09-18T03:56:45Z)
• An Iterative Method for Unsupervised Robust Anomaly Detection Under Data Contamination [24.74938110451834]
  ほとんどの深層異常検出モデルは、データセットから正規性を学ぶことに基づいている。 実際、正規性仮定は実データ分布の性質によってしばしば破られる。 このギャップを減らし、より優れた正規性表現を実現するための学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-18T02:36:19Z)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)
• 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)

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。