論文の概要: uLEAD-TabPFN: Uncertainty-aware Dependency-based Anomaly Detection with TabPFN

• arxiv url: http://arxiv.org/abs/2604.20255v1
• Date: Wed, 22 Apr 2026 07:04:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:11.001417
• Title: uLEAD-TabPFN: Uncertainty-aware Dependency-based Anomaly Detection with TabPFN
• Title（参考訳）: uLEAD-TabPFN: TabPFN による不確実性認識依存型異常検出
• Authors: Sha Lu, Jixue Liu, Stefan Peters, Thuc Duy Le, Craig Xie, Lin Liu, Jiuyong Li,
• Abstract要約: 先行データフィットネットワーク(PFN)上に構築された依存性ベースの異常検出フレームワークである uLEAD-TabPFN を提案する。 すなわち、学習された潜在空間における条件依存の違反として異常を識別し、依存関係推定に凍結されたPFNを利用する。 すなわち、中高次元の環境では高い性能を達成し、そこでは最上位のランクに達する。
• 参考スコア（独自算出の注目度）: 26.03194873655899
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection in tabular data is challenging due to high dimensionality, complex feature dependencies, and heterogeneous noise. Many existing methods rely on proximity-based cues and may miss anomalies caused by violations of complex feature dependencies. Dependency-based anomaly detection provides a principled alternative by identifying anomalies as violations of dependencies among features. However, existing methods often struggle to model such dependencies robustly and to scale to high-dimensional data with complex dependency structures. To address these challenges, we propose uLEAD-TabPFN, a dependency-based anomaly detection framework built on Prior-Data Fitted Networks (PFNs). uLEAD-TabPFN identifies anomalies as violations of conditional dependencies in a learned latent space, leveraging frozen PFNs for dependency estimation. Combined with uncertainty-aware scoring, the proposed framework enables robust and scalable anomaly detection. Experiments on 57 tabular datasets from ADBench show that uLEAD-TabPFN achieves particularly strong performance in medium- and high-dimensional settings, where it attains the top average rank. On high-dimensional datasets, uLEAD-TabPFN improves the average ROC-AUC by nearly 20\% over the average baseline and by approximately 2.8\% over the best-performing baseline, while maintaining overall superior performance compared to state-of-the-art methods. Further analysis shows that uLEAD-TabPFN provides complementary anomaly detection capability, achieving strong performance on datasets where many existing methods struggle.
• Abstract（参考訳）: 表形式のデータの異常検出は、高次元性、複雑な特徴依存性、異種ノイズのために困難である。 既存の多くのメソッドは近接ベースのキューに依存しており、複雑な機能依存の違反による異常を見逃す可能性がある。 依存性ベースの異常検出は、機能間の依存関係の違反として異常を特定することによって、原則化された代替手段を提供する。 しかし、既存の手法はしばしばそのような依存関係を堅牢にモデル化し、複雑な依存関係構造を持つ高次元データにスケールするのに苦労する。 これらの課題に対処するため,先行データフィットネットワーク(PFN)上に構築された依存性ベースの異常検出フレームワークである uLEAD-TabPFN を提案する。 uLEAD-TabPFNは、学習された潜伏空間における条件依存の違反として異常を識別し、依存関係推定に凍結されたPFNを利用する。 不確実性認識と組み合わせて、提案フレームワークは堅牢でスケーラブルな異常検出を可能にする。 ADBenchによる57の表付きデータセットの実験では、uLEAD-TabPFNは中高次元の設定において特に高いパフォーマンスを達成し、最も平均的なランクに達した。 高次元データセットでは、uLEAD-TabPFNは平均ベースラインを20倍近く上回り、最高のパフォーマンスのベースラインを約2.8倍上回る平均ROC-AUCを改善し、最先端の手法に比べて全体的なパフォーマンスを維持している。 さらなる分析によると、uLEAD-TabPFNは補完的な異常検出機能を提供し、多くの既存メソッドが苦労しているデータセット上で強力なパフォーマンスを達成する。

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)
• HMVI: Unifying Heterogeneous Attributes with Natural Neighbors for Missing Value Inference [1.0577954299884882]
  現在の計算法は、不均一な特徴間の重要な相互依存性を見越して、数値的および分類的特性を独立に扱う。 統一されたフレームワーク内で、クロスタイプな機能依存を明示的にモデル化する新しい計算手法を提案する。
  論文  参考訳（メタデータ） (2026-01-08T15:18:36Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• Tab-Shapley: Identifying Top-k Tabular Data Quality Insights [7.666573679741346]
  本研究では,データの異常な性質に対する各属性の寄与を定量化するために,Shapley値を用いた協調ゲーム理論に基づくフレームワークであるTab-Shapleyを紹介する。 シェープリー値の計算は通常指数時間を必要とするが、我々のゲームはクローズドフォームの解を認め、計算を効率的にすることを示した。
  論文  参考訳（メタデータ） (2025-01-12T02:24:55Z)
• FedAD-Bench: A Unified Benchmark for Federated Unsupervised Anomaly Detection in Tabular Data [11.42231457116486]
  FedAD-Benchは、フェデレート学習の文脈における教師なし異常検出アルゴリズムを評価するためのベンチマークである。 モデル集約の非効率性やメトリクスの不確実性といった重要な課題を特定します。 本研究は,フェデレートされた異常検出における今後の研究・開発を導くための標準化されたベンチマークを確立することを目的としている。
  論文  参考訳（メタデータ） (2024-08-08T13:14:19Z)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• Learning Prompt-Enhanced Context Features for Weakly-Supervised Video Anomaly Detection [37.99031842449251]
  弱い監督下での映像異常検出は重大な課題を呈する。 本稿では,効率的なコンテキストモデリングとセマンティック識別性の向上に焦点をあてた,弱教師付き異常検出フレームワークを提案する。 提案手法は,特定の異常なサブクラスの検出精度を大幅に向上させ,その実用的価値と有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2023-06-26T06:45:16Z)
• Dependency-based Anomaly Detection: a General Framework and Comprehensive Evaluation [33.31923133201812]
  本稿では,依存性に基づく異常検出(DepAD)を提案する。 DepADは教師なしの異常検出を教師付き特徴選択と予測タスクとして再設定する。 2つのDepADアルゴリズムは、幅広いデータセットを扱うオールラウンドと優れたパフォーマーとして登場します。
  論文  参考訳（メタデータ） (2020-11-13T01:39:44Z)

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。