論文の概要: RangeAD: Fast On-Model Anomaly Detection

• arxiv url: http://arxiv.org/abs/2603.17795v1
• Date: Wed, 18 Mar 2026 14:52:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.767175
• Title: RangeAD: Fast On-Model Anomaly Detection
• Title（参考訳）: RangeAD: 高速なオンモデル異常検出
• Authors: Luca Hinkamp, Simon Klüttermann, Emmanuel Müller,
• Abstract要約: 我々は、関連する機械学習モデルへのアクセスを明示的に活用する、異常検出のための設定であるOn-Model ADを紹介した。 この設定では、一次モデルから派生したニューロンの出力範囲を利用するアルゴリズムであるRangeADを提案する。 本研究は,効率的な異常検出のための実践的フレームワークとして,On-Model AD設定の可能性を示すものである。
• 参考スコア（独自算出の注目度）: 2.7607340749443985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In practice, machine learning methods commonly require anomaly detection (AD) to filter inputs or detect distributional shifts. Typically, this is implemented by running a separate AD model alongside the primary model. However, this separation ignores the fact that the primary model already encodes substantial information about the target distribution. In this paper, we introduce On-Model AD, a setting for anomaly detection that explicitly leverages access to a related machine learning model. Within this setting, we propose RangeAD, an algorithm that utilizes neuron-wise output ranges derived from the primary model. RangeAD achieves superior performance even on high-dimensional tasks while incurring substantially lower inference costs. Our results demonstrate the potential of the On-Model AD setting as a practical framework for efficient anomaly detection.
• Abstract（参考訳）: 実際には、機械学習手法は入力をフィルタリングしたり、分布シフトを検出するために、通常、異常検出(AD)を必要とする。 通常、これはプライマリモデルと並行して別々のADモデルを実行することで実装される。 しかし、この分離は、プライマリモデルが既にターゲット分布に関するかなりの情報をエンコードしているという事実を無視している。 本稿では,関連する機械学習モデルへのアクセスを明示的に活用する異常検出設定であるOn-Model ADを紹介する。 この設定では、一次モデルから派生したニューロンの出力範囲を利用するアルゴリズムであるRangeADを提案する。 RangeADは高次元タスクでも優れたパフォーマンスを実現し、推論コストはかなり低い。 本研究は,効率的な異常検出のための実践的フレームワークとして,On-Model AD設定の可能性を示すものである。

関連論文リスト

• Out-of-Distribution Detection with a Single Unconditional Diffusion Model [54.15132801131365]
  アウト・オブ・ディストリビューション(OOD)検出は、異常サンプルを特定しようとする機械学習において重要なタスクである。 従来、教師なし手法はOOD検出に深い生成モデルを用いていた。 本稿では,単一モデルが多様なタスクに対してOOD検出を行うことができるかどうかを考察する。
  論文  参考訳（メタデータ） (2024-05-20T08:54:03Z)
• COFT-AD: COntrastive Fine-Tuning for Few-Shot Anomaly Detection [19.946344683965425]
  FSADの課題に対処する新しい手法を提案する。 重みをモデル化するために、大規模なソースデータセットで事前トレーニングされたモデルを使用します。 提案手法の有効性を示すために,3つの制御されたADタスクと4つの実世界のADタスクに対して,数発の異常検出を行った。
  論文  参考訳（メタデータ） (2024-02-29T09:48:19Z)
• LafitE: Latent Diffusion Model with Feature Editing for Unsupervised Multi-class Anomaly Detection [12.596635603629725]
  我々は,通常のデータのみにアクセス可能な場合に,複数のクラスに属するオブジェクトから異常を検出する統一モデルを開発した。 まず、生成的アプローチについて検討し、再構成のための潜伏拡散モデルについて検討する。 「拡散モデルの入力特徴空間を修正し、アイデンティティショートカットをさらに緩和する特徴編集戦略を導入する。」
  論文  参考訳（メタデータ） (2023-07-16T14:41:22Z)
• Zero-Shot Anomaly Detection via Batch Normalization [58.291409630995744]
  多くの安全クリティカルなアプリケーションドメインでは、異常検出が重要な役割を果たす。 異常検出器を正常なデータ分布でドリフトに適応させることの課題は、ゼロショットAD技術の開発に繋がった。 ゼロショットバッチレベルのADに対して,適応中心表現(Adaptive Centered Representation, ACR)と呼ばれるシンプルで効果的な手法を提案する。
  論文  参考訳（メタデータ） (2023-02-15T18:34:15Z)
• Data-Efficient and Interpretable Tabular Anomaly Detection [54.15249463477813]
  本稿では,ホワイトボックスモデルクラスである一般化付加モデルを適用し,異常を検出する新しいフレームワークを提案する。 さらに、提案フレームワークであるDIADは、ラベル付きデータの少量を組み込んで、半教師付き設定における異常検出性能をさらに向上させることができる。
  論文  参考訳（メタデータ） (2022-03-03T22:02:56Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。