論文の概要: Kurtosis-Guided Denoising Score Matching for Tabular Anomaly Detection

• arxiv url: http://arxiv.org/abs/2605.06955v1
• Date: Thu, 07 May 2026 21:19:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.628438
• Title: Kurtosis-Guided Denoising Score Matching for Tabular Anomaly Detection
• Title（参考訳）: 口蓋異常検出のためのKurtosis-Guided Denoising Score Matching
• Authors: Victor Livernoche, Jie Zan, Reihaneh Rabbany,
• Abstract要約: Denoising score matching (DSM)は、ニューラルネットワークをトレーニングしてスコア関数を復元することで、データの分散を学ぶ方法を提供する。 K-DSM(Kurtosis-based noise scaling)は,各周縁分布の形状から雑音レベルを設定する方式である。 標準的な異常検出ベンチマークでは、K-DSMは半教師付き設定で最先端の性能を達成する。
• 参考スコア（独自算出の注目度）: 6.893608092072852
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Denoising score matching (DSM) provides a way to learn data distributions by training a neural network to recover the score function, defined as the gradient of the log density, from noise-corrupted samples. Once trained, the score magnitude at a test point reflects how consistent that point is with the learned distribution, making it a natural anomaly signal. The key practical challenge is selecting the perturbation scale: too little noise yields unstable score estimates in sparse regions, while too much erases local structure and weakens anomaly sensitivity. This is compounded by the difficulty of hyperparameter tuning when anomalies are unknown and no validation set is available. We introduce kurtosis-based noise scaling (K-DSM), a per-feature scheme that sets noise levels from the shape of each marginal distribution, improving coverage of low-density regions and precision in high-density regions without extra model complexity. Contrary to prior claims that multi-scale or noise-conditioned training is necessary, we find that a carefully trained single-scale model is already a strong anomaly detector. On standard tabular anomaly detection benchmarks, K-DSM achieves state-of-the-art performance in the semi-supervised setting. When combined with a lightweight EMA-teacher filtering rule that removes low-density training points before each gradient step, it also achieves strong performance in the fully unsupervised (contaminated) setting, suggesting that simple, data-adaptive noise scaling enables robust anomaly detection while reducing reliance on hyperparameter tuning.
• Abstract（参考訳）: Denoising score matching(DSM)は、ニューラルネットワークをトレーニングして、ノイズ崩壊したサンプルからログ密度の勾配として定義されたスコア関数を復元する、データ分散を学ぶ方法を提供する。 一度学習すると、試験点におけるスコアの等級は、その点が学習された分布といかに一致しているかを反映し、自然な異常信号となる。 ノイズが小さすぎると、スパース領域の不安定なスコア推定が得られ、過度に局所的な構造を消し、異常な感度を弱める。 これは、異常が不明で検証セットが存在しない場合、ハイパーパラメータチューニングの難しさによって合成される。 K-DSM(Kurtosis-based noise scaling)は,各周辺分布の形状から雑音レベルを設定する手法であり,低密度領域のカバレッジと高密度領域の精度を,余分なモデル複雑性を伴わずに向上させる。 マルチスケールまたはノイズ条件付きトレーニングが必要であるという以前の主張とは対照的に、慎重に訓練された単一スケールモデルは、既に強力な異常検出器であることが判明した。 標準的な表状異常検出ベンチマークにおいて、K-DSMは半教師付き設定で最先端の性能を達成する。 各勾配ステップの前に低密度のトレーニングポイントを除去する軽量なEMA-Teacherフィルタルールと組み合わせることで、完全に教師なし(汚染された)設定での強い性能を実現し、単純でデータ適応型ノイズスケーリングは、ハイパーパラメータチューニングへの依存を低減しつつ、堅牢な異常検出を可能にすることを示唆している。

関連論文リスト

• Noise-Robust Tiny Object Localization with Flows [63.60972031108944]
  フレキシブルなエラーモデリングと不確実性誘導最適化に正規化フローを活用するノイズローバストローカライゼーションフレームワークを提案する。 本手法は,フローベース誤差モデルを用いて,複雑な非ガウス予測分布を抽出し,ノイズの多い監視下で頑健な学習を可能にする。 不確実性を考慮した勾配変調機構は、トレーニングを安定化しながら過度な適合を緩和し、高不確実でノイズの強いサンプルからの学習をさらに抑制する。
  論文  参考訳（メタデータ） (2026-01-02T09:16:55Z)
• How Does Label Noise Gradient Descent Improve Generalization in the Low SNR Regime? [78.0226274470175]
  我々は、勾配更新にラベルノイズを導入することで、ニューラルネットワーク(NN)のテスト性能が向上するかどうか検討する。 学習中のラベルノイズの付加は,学習過程を支配することを防止し,雑音の記憶を抑制することを実証する。 対照的に、標準GDで訓練されたNNは、同じ低SNR環境でのノイズに過度に適応する傾向にある。
  論文  参考訳（メタデータ） (2025-10-20T13:28:13Z)
• Diffusion-Scheduled Denoising Autoencoders for Anomaly Detection in Tabular Data [5.182014186927255]
  拡散型ノイズスケジューリングとコントラスト学習を統合し,異常検出を改善するフレームワークであるDiffusion-Scheduled Denoising Autoencoder (DDAE)を提案する。 提案手法は半教師付きセッティングにおいて優れ,非教師付きセッティングにおいて競争結果が得られ,PR-AUCを最大65%(9%)改善し,OC-AUCを16%(6%)改善する。
  論文  参考訳（メタデータ） (2025-08-01T16:33:18Z)
• Unsupervised CP-UNet Framework for Denoising DAS Data with Decay Noise [13.466125373185399]
  分散音響センサ(DAS)技術は光ファイバーケーブルを利用して音響信号を検出する。 DASは、ジオフォンよりも低い信号対雑音比(S/N)を示す。 これにより、S/Nの低減は、反転と解釈を含むデータ解析に悪影響を及ぼす。
  論文  参考訳（メタデータ） (2025-02-19T03:09:49Z)
• Gradient Normalization Provably Benefits Nonconvex SGD under Heavy-Tailed Noise [60.92029979853314]
  重み付き雑音下でのグラディエントDescence(SGD)の収束を確実にする上での勾配正規化とクリッピングの役割について検討する。 我々の研究は、重尾雑音下でのSGDの勾配正規化の利点を示す最初の理論的証拠を提供する。 我々は、勾配正規化とクリッピングを取り入れた加速SGD変種を導入し、さらに重み付き雑音下での収束率を高めた。
  論文  参考訳（メタデータ） (2024-10-21T22:40:42Z)
• SoftPatch: Unsupervised Anomaly Detection with Noisy Data [67.38948127630644]
  本稿では,画像センサ異常検出におけるラベルレベルのノイズを初めて考察する。 本稿では,メモリベースの非教師付きAD手法であるSoftPatchを提案する。 既存の手法と比較して、SoftPatchは通常のデータの強力なモデリング能力を維持し、コアセットにおける過信問題を軽減する。
  論文  参考訳（メタデータ） (2024-03-21T08:49:34Z)
• Latent Class-Conditional Noise Model [54.56899309997246]
  本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。 次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。 提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
  論文  参考訳（メタデータ） (2023-02-19T15:24:37Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• Learning from Noisy Labels with Coarse-to-Fine Sample Credibility Modeling [22.62790706276081]
  ノイズの多いラベルでディープニューラルネットワーク(DNN)を訓練することは事実上難しい。 従来の取り組みでは、統合されたデノナイジングフローで部分データや完全なデータを扱う傾向があります。 本研究では,ノイズの多いデータを分割・分散的に処理するために,CREMAと呼ばれる粗大な頑健な学習手法を提案する。
  論文  参考訳（メタデータ） (2022-08-23T02:06:38Z)
• Denoising Distantly Supervised Named Entity Recognition via a Hypergeometric Probabilistic Model [26.76830553508229]
  ハイパージオメトリ・ラーニング(HGL)は、遠距離教師付きエンティティ認識のための認知アルゴリズムである。 HGLはノイズ分布とインスタンスレベルの信頼性の両方を考慮に入れている。 実験により、HGLは遠方の監督から取得した弱いラベル付きデータを効果的に復調できることが示された。
  論文  参考訳（メタデータ） (2021-06-17T04:01:25Z)

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。