論文の概要: Out of Context: Reliability in Multimodal Anomaly Detection Requires Contextual Inference

• arxiv url: http://arxiv.org/abs/2604.13252v1
• Date: Tue, 14 Apr 2026 19:32:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.272775
• Title: Out of Context: Reliability in Multimodal Anomaly Detection Requires Contextual Inference
• Title（参考訳）: 文脈外:マルチモーダル異常検出における信頼性は文脈推論を必要とする
• Authors: Kevin Wilkinghoff, Neelu Madan, Juan Miguel Valverde, Kamal Nasrollahi, Radu Tudor Ionescu, Rafal Wisniewski, Thomas B. Moeslund, Wenwu Wang, Zheng-Hua Tan,
• Abstract要約: 我々は、マルチモーダルな異常検出は、クロスモーダルな文脈推論問題として再編成されるべきであると主張している。 この観点はモデル設計、評価プロトコル、ベンチマーク構築に影響を及ぼす。
• 参考スコア（独自算出の注目度）: 54.774686416991386
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection aims to identify observations that deviate from expected behavior. Because anomalous events are inherently sparse, most frameworks are trained exclusively on normal data to learn a single reference model of normality. This implicitly assumes that normal behavior can be captured by a single, unconditional reference distribution. In practice, however, anomalies are often context-dependent: A specific observation may be normal under one operating condition, yet anomalous under another. As machine learning systems are deployed in dynamic and heterogeneous environments, these fixed-context assumptions introduce structural ambiguity, i.e., the inability to distinguish contextual variation from genuine abnormality under marginal modeling, leading to unstable performance and unreliable anomaly assessments. While modern sensing systems frequently collect multimodal data capturing complementary aspects of both system behavior and operating conditions, existing methods treat all data streams equally, without distinguishing contextual information from anomaly-relevant signals. As a result, abnormality is often evaluated without explicitly conditioning on operating conditions. We argue that multimodal anomaly detection should be reframed as a cross-modal contextual inference problem, in which modalities play asymmetric roles, separating context from observation, to define abnormality conditionally rather than relative to a single global reference. This perspective has implications for model design, evaluation protocols, and benchmark construction, and outline open research challenges toward robust, context-aware multimodal anomaly detection.
• Abstract（参考訳）: 異常検出は、期待された行動から逸脱する観察を識別することを目的としている。 異常イベントは本質的にスパースであるため、ほとんどのフレームワークは正規性の単一の参照モデルを学ぶために、通常のデータにのみ訓練される。 これは、通常の振る舞いが単一の無条件の参照分布によってキャプチャされることを暗黙的に仮定する。 しかし実際には、異常はしばしば文脈依存的である:特定の観察は、ある手術条件下では正常であるが、別の手術条件下では異常である。 機械学習システムが動的で異質な環境に展開されるにつれて、これらの固定コンテキストの仮定は構造的曖昧さ、すなわち境界モデリングの下でコンテキスト変動と真の異常を区別できないことを導入し、不安定な性能と信頼性の低い異常評価をもたらす。 現代のセンシングシステムは、システム動作と動作条件の相補的な側面を捉えるマルチモーダルデータをしばしば収集するが、既存の方法では、コンテキスト情報を異常関連信号と区別することなく、全てのデータストリームを等しく扱う。 その結果、手術条件を明示的に条件付けすることなく、異常をしばしば評価する。 我々は、マルチモーダル異常検出は、単一のグローバル参照よりも条件付きで異常を定義するために、モダリティが非対称な役割を担い、観測からコンテキストを分離するクロスモーダルコンテキスト推論問題として再編成されるべきであると主張している。 この観点は、モデル設計、評価プロトコル、ベンチマーク構築に影響を及ぼし、堅牢でコンテキスト対応のマルチモーダル異常検出に向けたオープンな研究課題を概説する。

関連論文リスト

• Multi-Cue Anomaly Detection and Localization under Data Contamination [0.6703429330486276]
  本稿では,適応的偏差学習パラダイムに限定的な異常監視を組み込んだ頑健な異常検出フレームワークを提案する。 本フレームワークは, 各種データ汚染下での強い検出・局所化性能, 解釈可能性, 堅牢性を実現する。
  論文  参考訳（メタデータ） (2026-01-30T12:34:13Z)
• When Anomalies Depend on Context: Learning Conditional Compatibility for Anomaly Detection [15.88746061477275]
  異常検出はしばしば、異常が観測の本質的な性質であり、文脈に依存しないという仮定の下で定式化される。 この仮定は、同じオブジェクトやアクションが正常である場合や、遅延したコンテキスト要因によって異常な場合など、現実世界の多くの設定で分解される。 従来,文脈に依存した異常として定義され,視覚領域で機能的に機能するアンフコンテクスチュアルな異常検出法について検討した。
  論文  参考訳（メタデータ） (2026-01-30T11:48:20Z)
• 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)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection [90.32910087103744]
  ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。 これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。 トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。 本稿では,オープンセット型教師付き異常検出に取り組む。
  論文  参考訳（メタデータ） (2022-03-28T05:21:37Z)
• Deep Weakly-supervised Anomaly Detection [118.55172352231381]
  ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。 PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。 12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
  論文  参考訳（メタデータ） (2019-10-30T00:40:25Z)

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。