Fugu-MT 論文翻訳(概要): Unsupervised Symbolic Anomaly Detection

論文の概要: Unsupervised Symbolic Anomaly Detection

arxiv url: http://arxiv.org/abs/2603.17575v1
Date: Wed, 18 Mar 2026 10:27:36 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-19 18:32:57.646172
Title: Unsupervised Symbolic Anomaly Detection
Title（参考訳）: 非教師付きシンボル異常検出
Authors: Md Maruf Hossain, Tim Katzke, Simon Klüttermann, Emmanuel Müller,
Abstract要約: シンボル回帰に基づく教師なし異常検出手法であるSYRANを提案する。 SYRANは高い解釈性を示し、既知の科学的・医学的関係に対応する方程式を提供する。
参考スコア（独自算出の注目度）: 2.901887487331219
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose SYRAN, an unsupervised anomaly detection method based on symbolic regression. Instead of encoding normal patterns in an opaque, high-dimensional model, our method learns an ensemble of human-readable equations that describe symbolic invariants: functions that are approximately constant on normal data. Deviations from these invariants yield anomaly scores, so that the detection logic is interpretable by construction, rather than via post-hoc explanation. Experimental results demonstrate that SYRAN is highly interpretable, providing equations that correspond to known scientific or medical relationships, and maintains strong anomaly detection performance comparable to that of state-of-the-art methods.
Abstract（参考訳）: シンボル回帰に基づく教師なし異常検出手法であるSYRANを提案する。通常のパターンを不透明で高次元のモデルで符号化する代わりに、シンボル不変量を記述する人間可読方程式のアンサンブルを学習する。これらの不変量からの逸脱は異常スコアをもたらすので、検出ロジックはポストホックな説明によってではなく、構成によって解釈される。実験の結果、SYRANは高い解釈性を示し、既知の科学的・医学的関係に対応する方程式を提供し、最先端の手法に匹敵する強い異常検出性能を維持している。

関連論文リスト

Unsupervised Surrogate Anomaly Detection [4.943054375935879]
ニューラルネットワーク表現を学習する非教師付き異常検出アルゴリズム、すなわち、異常が逸脱している正常データのパターンについて検討する。工学における同様の概念にインスパイアされた我々の方法論は、異常検出を代理するものとして言及する。そこで我々は,サロゲート異常検出の概念を最適なサロゲートモデルに必要な公理の集合に形式化し,これらの基準を満たすために設計されたDEAN(Deep Ensemble Anomaly Detection)と呼ばれる新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2025-04-29T13:15:55Z)
Ensembled Cold-Diffusion Restorations for Unsupervised Anomaly Detection [7.94529540044472]
Unsupervised Anomaly Detection (UAD) は、異常のないデータセットから学習した規範的分布と比較したテストサンプル中の異常を識別することを目的としている。生成モデルに基づくアプローチは、異常のないテスト画像を生成することによって解釈可能性を提供するが、通常、微妙な異常を識別することはできない。本稿では, 両戦略の強みを組み合わせた新しい手法を提案する。生成型冷拡散パイプラインは, 合成劣化画像の正常な元の外観に戻すことを目標として訓練される。
論文参考訳（メタデータ） (2024-07-09T08:02:46Z)
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)
Residual ANODE [0.0]
データ駆動型モデル非依存型共振異常検出のための新しい手法であるR-ANODEを提案する。 R-ANODEの鍵は、正規化フローを小さく未知の信号成分に直接適合させることにより、異常検出タスクの誘導バイアスを高めることである。本手法は,未知の信号区間が学習されたり固定されたりしても等しく動作し,信号区間の誤識別に対してさえ頑健であることを示す。
論文参考訳（メタデータ） (2023-12-18T19:00:03Z)
Asymptotically efficient adaptive identification under saturated output observation [1.9000124079328826]
部分的に観察されたサンプルの負の対数類似度に適応的なニュートン型アルゴリズムを導入する。推定値の平均二乗誤差は、I.dデータ仮定に頼らずにクラマー・ラオを有界に達成できることを示す。
論文参考訳（メタデータ） (2023-09-18T03:28:48Z)
A Geometric Perspective on Diffusion Models [57.27857591493788]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文参考訳（メタデータ） (2023-05-31T15:33:16Z)
Identifiability and Asymptotics in Learning Homogeneous Linear ODE Systems from Discrete Observations [114.17826109037048]
通常の微分方程式(ODE)は、機械学習において最近多くの注目を集めている。理論的な側面、例えば、統計的推定の識別可能性と特性は、いまだに不明である。本稿では,1つの軌道からサンプリングされた等間隔の誤差のない観測結果から,同次線形ODE系の同定可能性について十分な条件を導出する。
論文参考訳（メタデータ） (2022-10-12T06:46:38Z)
Augment to Detect Anomalies with Continuous Labelling [10.646747658653785]
異常検出は、トレーニング観察と何らかの点で異なるサンプルを認識することである。最近の最先端のディープラーニングに基づく異常検出手法は、計算コスト、複雑さ、不安定な訓練手順、非自明な実装に悩まされている。我々は、軽量な畳み込みニューラルネットワークを訓練し、異常検出における最先端の性能に到達するための単純な学習手順を活用する。
論文参考訳（メタデータ） (2022-07-03T20:11:51Z)
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。