論文の概要: Distance metric learning for conditional anomaly detection

• arxiv url: http://arxiv.org/abs/2605.00490v1
• Date: Fri, 01 May 2026 07:55:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.900734
• Title: Distance metric learning for conditional anomaly detection
• Title（参考訳）: 条件付き異常検出のための距離メトリック学習
• Authors: Michal Valko, Milos Hauskrecht,
• Abstract要約: 最近提案された条件付き異常検出フレームワークは、データ内の属性のサブセット上の異常パターンを識別する問題まで、異常検出を拡張している。 本稿では,条件付き異常を検出するインスタンスベースの手法について述べる。 このような手法の性能を最適化するために,距離距離を学習し,条件付き異常パターンを最もよく反映する計量学習法を考案した。
• 参考スコア（独自算出の注目度）: 17.631037059604477
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection methods can be very useful in identifying unusual or interesting patterns in data. A recently proposed conditional anomaly detection framework extends anomaly detection to the problem of identifying anomalous patterns on a subset of attributes in the data. The anomaly always depends (is conditioned) on the value of remaining attributes. The work presented in this paper focuses on instance-based methods for detecting conditional anomalies. The methods depend heavily on the distance metric that lets us identify examples in the dataset that are most critical for detecting the anomaly. To optimize the performance of such methods we study and devise a metric learning method that learns the distance metric to reflect best the conditional anomaly pattern.
• Abstract（参考訳）: 異常検出法は、データの異常なパターンや興味深いパターンを特定するのに非常に有用である。 最近提案された条件付き異常検出フレームワークは、データ内の属性のサブセット上の異常パターンを識別する問題まで、異常検出を拡張している。 異常は常に残りの属性の値に依存する(条件付き)。 本稿では,条件付き異常を検出するインスタンスベースの手法について述べる。 この手法は,異常検出に最も重要となるデータセットのサンプルを識別するための距離測定値に大きく依存する。 このような手法の性能を最適化するために,距離距離を学習し,条件付き異常パターンを最もよく反映する計量学習法を考案した。

関連論文リスト

• Possibility for Proactive Anomaly Detection [26.157855481471334]
  時系列異常検出の目的は、潜在的な損傷や損失を減らすことである。 既存の異常検出モデルは、モデル出力と基底真理(観測された)値の誤差によって異常を検出する。 本稿では,異常検出に特化した時系列予測モデルとデータ駆動異常検出モデルに基づく時系列異常検出のためのイテマプロアクティブアプローチを提案する。
  論文  参考訳（メタデータ） (2025-04-15T21:25:02Z)
• 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)
• Explainable Contextual Anomaly Detection using Quantile Regression Forests [14.80211278818555]
  本研究では,依存性に基づく従来の異常検出手法とコンテキスト異常検出手法の接続を開発する。 そこで本研究では,文脈異常検出を自然に解釈する手法を提案する。 本手法は, 精度と解釈可能性の観点から, 最先端の異常検出法より優れる。
  論文  参考訳（メタデータ） (2023-02-22T09:39:59Z)
• 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)
• 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)
• 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。