論文の概要: Mitigating the reconstruction-detection trade-off in VAE-based unsupervised anomaly detection

• arxiv url: http://arxiv.org/abs/2605.02918v1
• Date: Thu, 09 Apr 2026 13:00:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 06:56:26.523636
• Title: Mitigating the reconstruction-detection trade-off in VAE-based unsupervised anomaly detection
• Title（参考訳）: VAEによる教師なし異常検出における再構成・検出トレードオフの緩和
• Authors: Agathe Senellart, Maëlys Solal, Stéphanie Allassonnière, Ninon Burgos,
• Abstract要約: 我々は,$-VAEモデル間の再構成品質と異常検出のトレードオフを明らかにする。 制約付き遅延空間を持つモデルは、より高い検出基準に達するが、再構築品質は低下する。 本研究では,リコンストラクション検出トレードオフを緩和する2つの方法として,ベータスケジューリングとスパースVAEについて検討する。
• 参考スコア（独自算出の注目度）: 5.095644632358472
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Variational autoencoders are widely used for unsupervised anomaly detection. Model selection however remains an open-question: to remain fully unsupervised, hyperparameters are often chosen to minimize the reconstruction error on normal samples. In this paper, we reveal a trade-off between reconstruction quality and anomaly detection among $β$-VAE models. Models with constrained latent space reach higher detection metrics but lower reconstruction quality. We also assess the performance variability across random seeds and show it is linked to the distance between normal and abnormal latent distributions. From this analysis, we justify and investigate two methods to mitigate the reconstructiondetection tradeoff: beta-scheduling and the Sparse VAE. The latter especially shows an improvement in detection while maintaining high reconstruction quality.
• Abstract（参考訳）: 変分オートエンコーダは、教師なしの異常検出に広く用いられている。 しかし、モデル選択は、完全に教師なしのままであるためには、通常サンプルの再構成誤差を最小限に抑えるために、ハイパーパラメータが選択されることがしばしばある。 本稿では,β$-VAEモデル間の再構成品質と異常検出のトレードオフを明らかにする。 制約付き遅延空間を持つモデルは、より高い検出基準に達するが、再構築品質は低下する。 また,ランダムな種子間での性能変動を評価し,正常な潜伏分布と異常な潜伏分布との距離とを関連づけていることを示す。 そこで本研究では,ベータスケジューリングとスパースVAEの2つの手法を正当化し,検討する。 後者は特に、高い復元品質を維持しながら、検出の改善を示す。

関連論文リスト

• URA-Net: Uncertainty-Integrated Anomaly Perception and Restoration Attention Network for Unsupervised Anomaly Detection [39.726620725567585]
  産業欠陥検査や医用画像解析において,教師なし異常検出は重要な役割を担っている。 革新的不確実性統合型異常知覚・回復注意ネットワーク(URA-Net)を提案する。 URA-Netは、異常パターンを対応する正常性に明示的に復元する。
  論文  参考訳（メタデータ） (2026-03-24T06:27:17Z)
• Noise & pattern: identity-anchored Tikhonov regularization for robust structural anomaly detection [58.535473924035365]
  異常検出は自動産業検査において重要な役割を担い、他の均一な視覚パターンの微妙な欠陥や稀な欠陥を識別することを目的としている。 自己教師型オートエンコーダを用いて, 破損した入力の修復を学習する構造的異常検出に取り組む。 構造欠陥を模倣した画像に人工的破壊を注入する汚職モデルを導入する。
  論文  参考訳（メタデータ） (2025-11-10T15:48:50Z)
• Anomaly Detection via Autoencoder Composite Features and NCE [1.2891210250935148]
  オートエンコーダ(AE)または生成モデルは、通常入力のデータ分布をモデル化するためにしばしば使用される。 ノイズコントラスト推定(NCE)を訓練したAEと確率モデルの両方が異常検出を行うための非結合型トレーニング手法を提案する。
  論文  参考訳（メタデータ） (2025-02-04T01:29:22Z)
• Can I trust my anomaly detection system? A case study based on explainable AI [0.4416503115535552]
  本稿では,変分自己エンコーダ生成モデルに基づく異常検出システムのロバスト性について検討する。 目標は、再構成の違いを利用する異常検知器の実際の性能について、異なる視点を得ることです。
  論文  参考訳（メタデータ） (2024-07-29T12:39:07Z)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• 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)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。