論文の概要: ICLAD: In-Context Learning for Unified Tabular Anomaly Detection Across Supervision Regimes

• arxiv url: http://arxiv.org/abs/2603.19497v1
• Date: Thu, 19 Mar 2026 21:49:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:38.902411
• Title: ICLAD: In-Context Learning for Unified Tabular Anomaly Detection Across Supervision Regimes
• Title（参考訳）: ICLAD:スーパービジョンレジーム全体にわたる一元的タブラル異常検出のためのインコンテキスト学習
• Authors: Jack Yi Wei, Narges Armanfard,
• Abstract要約: ICLADは、データセットと監督体制の両方にわたって一般化する、コンテキスト内学習モデルである。 本手法は,3つの監督体制をまたいだ最先端のパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 8.150109591980108
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection on tabular data is commonly studied under three supervision regimes, including one-class settings that assume access to anomaly-free training samples, fully unsupervised settings with unlabeled and potentially contaminated training data, and semi-supervised settings with limited anomaly labels. Existing deep learning approaches typically train dataset-specific models under the assumption of a single supervision regime, which limits their ability to leverage shared structures across anomaly detection tasks and to adapt to different supervision levels. We propose ICLAD, an in-context learning foundation model for tabular anomaly detection that generalizes across both datasets and supervision regimes. ICLAD is trained via meta-learning on synthetic tabular anomaly detection tasks, and at inference time, the model assigns anomaly scores by conditioning on the training set without updating model weights. Comprehensive experiments on 57 tabular datasets from ADBench show that our method achieves state-of-the-art performance across three supervision regimes, establishing a unified framework for tabular anomaly detection.
• Abstract（参考訳）: 表型データの異常検出は、異常のないトレーニングサンプルへのアクセスを前提とした一級設定、ラベルのない潜在的に汚染されたトレーニングデータによる完全な教師なし設定、限定された異常ラベルによる半教師付き設定を含む、一般的に3つの監督体制の下で研究されている。 既存のディープラーニングアプローチでは、単一の監視体制を前提として、データセット固有のモデルをトレーニングすることが多い。 ICLADは、データセットと監督体制の両方にまたがって一般化する表型異常検出のための、コンテキスト内学習基盤モデルである。 ICLADは、合成表状異常検出タスクのメタラーニングにより訓練され、推論時、モデルはモデルの重みを更新せずにトレーニングセットに条件付けすることで異常スコアを割り当てる。 ADBenchによる57個の表状データセットの総合的な実験により,本手法は3つの監督体制における最先端性能を実現し,表状異常検出のための統一的な枠組みを確立した。

関連論文リスト

• Towards One-for-All Anomaly Detection for Tabular Data [87.63505963517512]
  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。
  論文  参考訳（メタデータ） (2026-03-15T14:42:05Z)
• TACTIC for Navigating the Unknown: Tabular Anomaly deteCTion via In-Context inference [0.0]
  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。
  論文  参考訳（メタデータ） (2026-03-15T01:06:24Z)
• Universal Transformation of One-Class Classifiers for Unsupervised Anomaly Detection [51.73001988341294]
  異常検出は通常、一級分類問題として定式化される。 本稿では,任意の1クラス分類器に基づく異常検出器を,完全に教師なしの手法に変換するデータセット折り畳み方式を提案する。
  論文  参考訳（メタデータ） (2026-02-13T16:54:12Z)
• SetAD: Semi-Supervised Anomaly Learning in Contextual Sets [25.628827917857603]
  半教師付き異常検出は、限られたラベル付きデータを効果的に活用することで大きな可能性を秘めている。 本研究では,半教師付きADをSet-level Anomaly Detectionタスクとして再編成する新しいフレームワークであるSetADを提案する。 頑健性とスコアの校正性を高めるため,文脈校正型異常スコアリング機構を提案する。
  論文  参考訳（メタデータ） (2025-11-26T13:27:59Z)
• 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)
• 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)
• 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)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)

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。