論文の概要: Towards One-for-All Anomaly Detection for Tabular Data

• arxiv url: http://arxiv.org/abs/2603.14407v1
• Date: Sun, 15 Mar 2026 14:42:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.793921
• Title: Towards One-for-All Anomaly Detection for Tabular Data
• Title（参考訳）: 単語データの1対全異常検出に向けて
• Authors: Shiyuan Li, Yixin Liu, Yu Zheng, Xiaofeng Cao, Shirui Pan, Heng Tao Shen,
• Abstract要約: タブラル異常検出(TAD)は多くの実世界の応用において重要である。 複数のソースデータセットに対して1回のトレーニングのみを必要とするフレームワークであるOFA-TADを提案する。 14ドメインの34のデータセットに対する実験により、OFA-TADはより優れた異常検出性能が得られることが示された。
• 参考スコア（独自算出の注目度）: 87.63505963517512
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tabular anomaly detection (TAD) aims to identify samples that deviate from the majority in tabular data and is critical in many real-world applications. However, existing methods follow a ``one model for one dataset (OFO)'' paradigm, which relies on dataset-specific training and thus incurs high computational cost and yields limited generalization to unseen domains. To address these limitations, we propose OFA-TAD, a generalist one-for-all (OFA) TAD framework that only requires one-time training on multiple source datasets and can generalize to unseen datasets from diverse domains on-the-fly. To realize one-for-all tabular anomaly detection, OFA-TAD extracts neighbor-distance patterns as transferable cues, and introduces multi-view neighbor-distance representations from multiple transformation-induced metric spaces to mitigate the transformation sensitivity of distance profiles. To adaptively combine multi-view distance evidence, a Mixture-of-Experts (MoE) scoring network is employed for view-specific anomaly scoring and entropy-regularized gated fusion, with a multi-strategy anomaly synthesis mechanism to support training under the one-class constraint. Extensive experiments on 34 datasets from 14 domains demonstrate that OFA-TAD achieves superior anomaly detection performance and strong cross-domain generalizability under the strict OFA setting.
• Abstract（参考訳）: Tabular Anomaly Detection (TAD) は、表形式のデータの大半から逸脱し、現実世界の多くのアプリケーションにおいて重要なサンプルを特定することを目的としている。 しかし、既存の手法は、データセット固有のトレーニングに依存し、高い計算コストを発生させ、未知の領域に限定的な一般化をもたらす「1つのデータセット(OFO)」パラダイムに従っている。 このような制約に対処するために,複数のソースデータセットに対して1回のトレーニングのみを必要とする汎用的な1対オール(OFA)TADフレームワークであるOFA-TADを提案する。 OFA-TADは、一対一のタブ状異常検出を実現するために、転送可能なキューとして隣り合うパターンを抽出し、複数の変換誘導距離空間から複数のビュー隣り合う表現を導入し、距離プロファイルの変換感度を緩和する。 多視点距離エビデンスを適応的に組み合わせるために、ビュー固有の異常スコアリングとエントロピー規則化ゲート融合に、一級制約下でのトレーニングを支援するマルチストラテジーな異常合成機構を併用する。 14ドメインの34のデータセットに対する大規模な実験により、OFA-TADはより優れた異常検出性能と、厳密なOFA設定下での強いクロスドメイン一般化性を達成できることが示された。

関連論文リスト

• From Few-Shot to Zero-Shot: Towards Generalist Graph Anomaly Detection [89.52759572485276]
  ARCは、文脈内学習を利用した数発のGAD法であり、推論時にわずかにラベル付き正規サンプルを必要とする。 ARCとARC_zeroは、異常を効果的に検出し、強力な一般化能力を示し、少数ショットおよびゼロショット設定下で効率的に実行する。
  論文  参考訳（メタデータ） (2026-02-21T10:59:00Z)
• Progressive Multi-Level Alignments for Semi-Supervised Domain Adaptation SAR Target Recognition Using Simulated Data [3.1951121258423334]
  我々は、ソースドメインインスタンスを対応するプロトタイプに近づけるために、インスタンス-プロトタイプアライメント(AIPA)戦略を開発する。 また、ソースドメインインスタンスを対応するプロトタイプに近づけるための、インスタンス-プロトタイプアライメント(AIPA)戦略も開発しています。
  論文  参考訳（メタデータ） (2024-11-07T13:53:13Z)
• ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
  ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。 各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
  論文  参考訳（メタデータ） (2024-05-27T02:42:33Z)
• DACAD: Domain Adaptation Contrastive Learning for Anomaly Detection in Multivariate Time Series [83.76994646443498]
  時系列異常検出では、ラベル付きデータの不足が正確なモデルの開発に困難をもたらす。 時系列における異常検出のための新しいドメインコントラスト学習モデル(DACAD)を提案する。 本モデルでは,ソース領域に対する教師付きコントラスト損失と,ターゲット領域に対する自己監督型コントラスト型3重項損失を用いる。
  論文  参考訳（メタデータ） (2024-04-17T11:20:14Z)

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。