論文の概要: Mixture Prototype Flow Matching for Open-Set Supervised Anomaly Detection

• arxiv url: http://arxiv.org/abs/2605.02438v1
• Date: Mon, 04 May 2026 10:36:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.240489
• Title: Mixture Prototype Flow Matching for Open-Set Supervised Anomaly Detection
• Title（参考訳）: 開集合監督型異常検出のための混合型フローマッチング
• Abstract要約: Open-set supervised Anomaly Detection (OSAD) は、限られた異常監視を用いて、目に見えない異常を識別することを目的としている。 通常の特徴分布から構造付きガウス混合プロトタイプ空間への連続的な変換を学習するフレームワークを提案する。 MPFMは、シングルおよびマルチアノマリー設定の両方で、様々なベンチマークで最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 41.96735569500412
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-set supervised anomaly detection (OSAD) aims to identify unseen anomalies using limited anomalous supervision. However, existing prototype-based methods typically model normal data via a unimodal Gaussian prior, failing to capture inherent multi-modality and resulting in blurred decision boundaries. To address this, we propose Mixture Prototype Flow Matching (MPFM), a framework that learns a continuous transformation from normal feature distributions to a structured Gaussian mixture prototype space. Departing from traditional flow-based approaches that rely on a single velocity vector, MPFM explicitly models the velocity field as a Gaussian mixture prior where each component corresponds to a distinct normal class. This design facilitates mode-aware and semantically coherent distribution transport. Furthermore, we introduce a Mutual Information Maximization Regularizer (MIMR) to prevent prototype collapse and maximize normal-anomaly separability. Extensive experiments demonstrate that MPFM achieves state-of-the-art performance across diverse benchmarks under both single- and multi-anomaly settings.
• Abstract（参考訳）: Open-set supervised Anomaly Detection (OSAD) は、限られた異常監視を用いて、目に見えない異常を識別することを目的としている。 しかし、既存のプロトタイプベースの手法は、通常、非モダルガウシアンによる通常のデータをモデル化し、固有の多重モードを捉えず、その結果、曖昧な決定境界が生じる。 そこで我々は,通常の特徴分布から構造付きガウス混合プロトタイプ空間への連続的な変換を学習するフレームワークであるMixture Prototype Flow Matching (MPFM)を提案する。 単一速度ベクトルに依存する従来のフローベースアプローチとは別に、MPFMは各成分が別の正規クラスに対応する前のガウス混合として速度場を明示的にモデル化する。 この設計は、モード認識とセマンティックコヒーレントな分散輸送を容易にする。 さらに,Multual Information Maximization Regularizer (MIMR)を導入し,プロトタイプの崩壊を防止し,正常・異常分離性を最大化する。 大規模な実験により、MPFMはシングルおよびマルチアノマリー設定の両方で、様々なベンチマークで最先端のパフォーマンスを達成している。

関連論文リスト

• To discretize continually: Mean shift interacting particle systems for Bayesian inference [9.150567695563067]
  非正規化密度から確率分布に対する積分を近似する新しい手法を提案する。 これらの手法は、経験的分布の最適量子化のための最近のアルゴリズムと同様に、古典的な平均シフトアルゴリズムを拡張している。 マルチモーダル混合、ベイジアン階層モデル、PDE制約逆問題など、幅広いベンチマークサンプリング問題に対して、それらの性能を実証する。
  論文  参考訳（メタデータ） (2026-05-13T21:48:00Z)
• How and Why: Taming Flow Matching for Unsupervised Anomaly Detection and Localization [15.283777345273089]
  時間反転フローマッチングの概念をベクトル場回帰として定式化する。 線形確率経路を持つFMは本質的に非可逆であることを示す。 本研究は,非教師付き異常検出タスクに対するFMの最初の成功例を示す。
  論文  参考訳（メタデータ） (2025-08-07T15:02:07Z)
• Generate Aligned Anomaly: Region-Guided Few-Shot Anomaly Image-Mask Pair Synthesis for Industrial Inspection [53.137651284042434]
  異常検査は製造業において重要な役割を担っているが、異常サンプルの不足は既存の方法の有効性を制限している。 本稿では,GAA (Generate grained Anomaly) を提案する。 GAAは少数のサンプルのみを用いて現実的で多様で意味的に整合した異常を発生させる。
  論文  参考訳（メタデータ） (2025-07-13T12:56:59Z)
• GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
  拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。 世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。 本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:27:23Z)
• Hierarchical Gaussian Mixture Normalizing Flow Modeling for Unified Anomaly Detection [12.065053799927506]
  本稿では,一貫した異常検出を実現するための新しい階層型ガウス混合流れモデリング法を提案する。 我々のHGADは,クラス間ガウス混合モデリングとクラス内混合クラスセンター学習の2つの重要な構成要素から構成されている。 提案手法を4つの実世界のADベンチマークで評価し,従来のNFベースのAD手法を大幅に改善し,SOTA統合AD手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-03-20T07:21:37Z)
• MGF: Mixed Gaussian Flow for Diverse Trajectory Prediction [72.70572835589158]
  本稿では,軌道予測のための正規化フローモデルに対して,混合ガウス前駆体を構築することを提案する。 提案手法は,一般的な UCY/ETH および SDD データセットにおける軌道アライメントと多様性の評価において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-02-19T15:48:55Z)
• Quantum Normalizing Flows for Anomaly Detection [23.262276593120305]
  量子アーキテクチャのための正規化フローを導入し、そのようなフローをモデル化し最適化する方法を説明し、サンプルデータセット上でメソッドを評価する。 提案モデルでは,従来の手法と比較して,異常検出の競合性能を示す。 実験では, 森林の隔離, 局所降水率 (LOF) , 単一クラスSVMとの比較を行った。
  論文  参考訳（メタデータ） (2024-02-05T10:28:20Z)
• Hard-normal Example-aware Template Mutual Matching for Industrial Anomaly Detection [78.734927709231]
  異常検出器は、クエリー画像の未知の欠陥を検出し、ローカライズするために工業製造で広く使われている。 これらの検出器は異常のないサンプルで訓練され、ほとんどの通常のサンプルと区別された異常を成功させた。 しかし、ハードノーマルな例は、ほとんどの通常のサンプルから遠く離れており、しばしば既存の方法によって異常と誤認される。
  論文  参考訳（メタデータ） (2023-03-28T17:54:56Z)
• Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
  FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。 我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
  論文  参考訳（メタデータ） (2019-12-30T17:36:33Z)

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。