Fugu-MT 論文翻訳(概要): Enhancing Tabular Anomaly Detection via Pseudo-Label-Guided Generation

論文の概要: Enhancing Tabular Anomaly Detection via Pseudo-Label-Guided Generation

arxiv url: http://arxiv.org/abs/2604.18266v1
Date: Mon, 20 Apr 2026 13:42:30 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-21 21:52:52.908476
Title: Enhancing Tabular Anomaly Detection via Pseudo-Label-Guided Generation
Title（参考訳）: Pseudo-Label-Guided ジェネレーションによる喉頭異常検出の強化
Authors: Wei Huang, Yuxuan Xiong, Hezhe Qiao, Yu-Ming Shang, Xiangling Fu, Guansong Pang,
Abstract要約: 擬似ラベル誘導型異常生成法PLAGを提案する。 PLAGが8つの代表ベースラインに対して最先端のパフォーマンスを達成することを示す。柔軟なフレームワークとして、PLAGは既存の教師なし検出器とシームレスに統合される。
参考スコア（独自算出の注目度）: 35.2283498099342
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Identifying anomalous instances in tabular data is essential for improving data reliability and maintaining system stability. Due to the scarcity of ground-truth anomaly labels, existing methods mainly rely on unsupervised anomaly detection models, or exploit a small number of labeled anomalies to facilitate detection via sample generation or contrastive learning. However, unsupervised methods lack sufficient anomaly awareness, while current generation and contrastive approaches tend to compute anomalies globally, overlooking the localized anomaly patterns of tabular features, resulting in suboptimal detection performance. To address these limitations, we propose PLAG, a pseudo-label-guided anomaly generation method designed to enhance tabular anomaly detection. Specifically, by utilizing pseudo-anomalies as guidance signals and decoupling the overall anomaly quantification of a sample into an accumulation of feature-level abnormalities, PLAG not only effectively obviates the need for scarce ground-truth labels but also provides a novel perspective for the model to comprehend localized anomalous signals at a fine-grained level. Furthermore, a two-stage data selection strategy is proposed, integrating format verification and uncertainty estimation to rigorously filter candidate samples, thereby ensuring the fidelity and diversity of the synthetic anomalies. Ultimately, these filtered synthetic anomalies serve as robust discriminative guidance, empowering the model to better separate normal and anomalous instances. Extensive experiments demonstrate that PLAG achieves state-of-the-art performance against eight representative baselines. Moreover, as a flexible framework, it integrates seamlessly with existing unsupervised detectors, consistently boosting F1-scores by 0.08 to 0.21.
Abstract（参考訳）: 表データの異常なインスタンスを識別することは、データの信頼性を改善し、システムの安定性を維持するために不可欠である。基底構造異常ラベルの不足により、既存の手法は主に教師なし異常検出モデルに依存し、少数のラベル付き異常を利用してサンプル生成やコントラスト学習による検出を容易にする。しかし、教師なし手法は十分な異常認識を欠いているが、現在の生成とコントラストのアプローチは、タブ状特徴の局所的異常パターンを見越して、世界中の異常を計算し、最適下検出性能をもたらす。これらの制約に対処するため,表層異常検出の高速化を目的とした擬似ラベル誘導異常生成法PLAGを提案する。具体的には、擬似異常を誘導信号として利用し、サンプルの全体異常定量化を特徴レベルの異常の蓄積に分解することにより、PLAGは、不足した接地構造ラベルの必要性を効果的に回避するだけでなく、局所的な異常信号の微粒化レベルを理解するための新しい視点を提供する。さらに、形式検証と不確実性推定を統合して、候補サンプルを厳格にフィルタリングし、合成異常の忠実度と多様性を確保する2段階のデータ選択戦略を提案する。最終的に、これらのフィルタリングされた合成異常は堅牢な識別誘導として機能し、モデルが正常および異常なインスタンスをよりよく分離できるようにする。広範囲な実験により、PLAGは8つの代表的ベースラインに対して最先端のパフォーマンスを達成することが示された。さらに、フレキシブルなフレームワークとして、既存の教師なし検出器とシームレスに統合され、一貫してF1スコアを0.08から0.21に引き上げる。

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)
Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
論文参考訳（メタデータ） (2025-11-10T12:10:05Z)
Enhancing Anomaly Detection via Generating Diversified and Hard-to-distinguish Synthetic Anomalies [7.021105583098609]
近年のアプローチでは、通常のサンプルから合成異常を生成するためにドメイン固有の変換や摂動を活用することに重点を置いている。そこで本研究では,条件付き摂動器と判別器を併用したドメインに依存しない新しい手法を提案する。我々は,最先端のベンチマークよりも提案手法が優れていることを示す。
論文参考訳（メタデータ） (2024-09-16T08:15:23Z)
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)
AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文参考訳（メタデータ） (2023-12-10T05:13:40Z)
RoSAS: Deep Semi-Supervised Anomaly Detection with Contamination-Resilient Continuous Supervision [21.393509817509464]
本稿では, テクスト汚染耐性連続監視信号を考案した, 半教師付き異常検出手法を提案する。当社のアプローチは、AUC-PRにおいて最先端の競合他社を20%-30%上回っている。
論文参考訳（メタデータ） (2023-07-25T04:04:49Z)
SaliencyCut: Augmenting Plausible Anomalies for Anomaly Detection [24.43321988051129]
そこで本稿では,SaliencyCutという新たなデータ拡張手法を提案する。次に、各サンプルから微細な異常特徴を抽出し評価するために、異常学習ヘッドにパッチワイド残余モジュールを新規に設計する。
論文参考訳（メタデータ） (2023-06-14T08:55:36Z)
SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
異常検出は、機械学習の基本的な問題であるが、難しい問題である。本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
論文参考訳（メタデータ） (2021-11-25T03:53:43Z)
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)
Toward Deep Supervised Anomaly Detection: Reinforcement Learning from Partially Labeled Anomaly Data [150.9270911031327]
本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
論文参考訳（メタデータ） (2020-09-15T03:05:39Z)

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。