論文の概要: Conditional anomaly detection with soft harmonic functions

• arxiv url: http://arxiv.org/abs/2604.21462v1
• Date: Thu, 23 Apr 2026 09:17:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.40634
• Title: Conditional anomaly detection with soft harmonic functions
• Title（参考訳）: ソフトハーモニック関数を用いた条件異常検出
• Authors: Michal Valko, Branislav Kveton, Hamed Valizadegan, Gregory F. Cooper, Milos Hauskrecht,
• Abstract要約: 我々は,ソフト・ハーモニック・ソリューションに基づく条件付き異常検出のための新しい非パラメトリック手法を開発した。 提案手法の有効性を,いくつかの合成およびUCI MLデータセットに示す。 また,本手法の有効性を実世界の電子健康記録データセット上で評価した。
• 参考スコア（独自算出の注目度）: 30.23389433948732
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we consider the problem of conditional anomaly detection that aims to identify data instances with an unusual response or a class label. We develop a new non-parametric approach for conditional anomaly detection based on the soft harmonic solution, with which we estimate the confidence of the label to detect anomalous mislabeling. We further regularize the solution to avoid the detection of isolated examples and examples on the boundary of the distribution support. We demonstrate the efficacy of the proposed method on several synthetic and UCI ML datasets in detecting unusual labels when compared to several baseline approaches. We also evaluate the performance of our method on a real-world electronic health record dataset where we seek to identify unusual patient-management decisions.
• Abstract（参考訳）: 本稿では,異常な応答やクラスラベルを持つデータインスタンスを識別することを目的とした条件付き異常検出の問題について考察する。 本研究では,ソフト・ハーモニック・ソリューションに基づく条件付き異常検出のための新しい非パラメトリック手法を開発し,ラベルの信頼度を推定し,異常な誤ラベルを検出する。 さらに、分散サポートの境界における孤立した例や例の検出を避けるために、ソリューションを正規化します。 提案手法は,いくつかのベースライン手法と比較して,異常なラベルを検出するために,いくつかの合成およびUCI MLデータセットに対して有効であることを示す。 また,本手法の有効性を実世界の電子健康記録データセットで評価し,異常な患者管理決定の特定を試みた。

関連論文リスト

• Enhancing Tabular Anomaly Detection via Pseudo-Label-Guided Generation [35.2283498099342]
  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。
  論文  参考訳（メタデータ） (2026-04-20T13:42:30Z)
• Counterfactual Explanation for Auto-Encoder Based Time-Series Anomaly Detection [0.3199881502576702]
  オートエンコーダは意思決定プロセスに固有の不透明さを示し、大規模な実践を妨げている。 本研究では,機能セレクタを用いて特徴を抽出し,モデル出力にコンテキストを与える。 実験結果から,提案手法がモデル決定過程に有意義かつ有意義な洞察を与える可能性が示唆された。
  論文  参考訳（メタデータ） (2025-01-03T19:30:11Z)
• Adaptive Deviation Learning for Visual Anomaly Detection with Data Contamination [20.4008901760593]
  そこで本研究では,偏差学習を応用して,異常スコアをエンドツーエンドに計算する手法を提案する。 提案手法は競合する手法を超越し,データ汚染の存在下での安定性とロバスト性を示す。
  論文  参考訳（メタデータ） (2024-11-14T16:10:15Z)
• Model Selection of Anomaly Detectors in the Absence of Labeled Validation Data [18.233908098602114]
  本稿では,画像に基づく異常検出をラベル付き検証データなしで選択するフレームワークSWSAを提案する。 ラベル付き検証データを集める代わりに、トレーニングや微調整なしに合成異常を生成する。 我々の合成異常は、モデル選択のための検証フレームワークを構成する検出タスクを作成するために使用される。
  論文  参考訳（メタデータ） (2023-10-16T14:42:22Z)
• Interactive System-wise Anomaly Detection [66.3766756452743]
  異常検出は様々なアプリケーションにおいて基本的な役割を果たす。 既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。 システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
  論文  参考訳（メタデータ） (2023-04-21T02:20:24Z)
• SPADE: Semi-supervised Anomaly Detection under Distribution Mismatch [58.04518381476167]
  SPADEは、分布ミスマッチを伴う幅広いシナリオにわたって、最先端の半教師付き異常検出性能を示す。 新しいタイプのラベルのない異常に直面したモデルなど、いくつかの一般的な現実世界設定では、SPADEは最先端の代替品を平均5%のAUCで上回っている。
  論文  参考訳（メタデータ） (2022-11-30T23:39:11Z)
• Framing Algorithmic Recourse for Anomaly Detection [18.347886926848563]
  我々は,タブラルデータ(CARAT)における異常に対する文脈保存型アルゴリズムレコースを提案する。 CARATはトランスフォーマーベースのエンコーダデコーダモデルを用いて、低い確率で特徴を見つけることで異常を説明する。 異常なインスタンス内の特徴の全体的コンテキストを使用して、強調された特徴を変更することによって、意味的に一貫性のある反事実が生成される。
  論文  参考訳（メタデータ） (2022-06-29T03:30:51Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• 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)
• ESAD: End-to-end Deep Semi-supervised Anomaly Detection [85.81138474858197]
  正規データと異常データの間のKL偏差を計測する新たな目的関数を提案する。 提案手法は,複数のベンチマークデータセットの最先端性能を著しく上回っている。
  論文  参考訳（メタデータ） (2020-12-09T08:16:35Z)
• 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。