論文の概要: When Normality Shifts: Risk-Aware Test-Time Adaptation for Unsupervised Tabular Anomaly Detection

• arxiv url: http://arxiv.org/abs/2605.10242v1
• Date: Mon, 11 May 2026 09:16:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.683398
• Title: When Normality Shifts: Risk-Aware Test-Time Adaptation for Unsupervised Tabular Anomaly Detection
• Title（参考訳）: 正常度がシフトする時:教師なしタブラリ異常検出のためのリスク認識テスト時間適応
• Authors: Wei Huang, Hezhe Qiao, Kailai Zhang, Zaisheng Ye, Yu-Ming Shang, Xiangling Fu,
• Abstract要約: 教師なしタブラル異常検出のためのリスク対応テスト時間適応法を提案する。 トレーニング中、コラボレーティブなデュアルタスク学習は、複数レベルの表現をキャプチャして、堅牢な正規化を前もって確立する。 テスト中、Test-Time Contrastive Learningモジュールはモデルを選択的に更新することで、適応リスクを明示的に説明する。
• 参考スコア（独自算出の注目度）: 10.496488689480097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised tabular anomaly detection methods typically learn feature patterns from normal samples during training and subsequently identify samples that deviate from these patterns as anomalies during testing. However, in practical scenarios, the limited scale and diversity of training data often lead to an incomplete characterization of normal patterns. While test-time adaptation offers a remedy, its isolated focus on test-time optimization ignores the critical synergy with training-phase learning. Furthermore, indiscriminate adaptation to unlabeled test data inevitably triggers anomaly contamination, preventing the model from fully realizing its discriminative capability between normal and anomalous samples. To address these issues, we propose RTTAD, a Risk-aware Test-time adaptation method for unsupervised Tabular Anomaly Detection. RTTAD holistically tackles normality shifts via a synergistic two-stage mechanism. During training, collaborative dual-task learning captures multi-level representations to establish a robust normal prior. During testing, a Test-Time Contrastive Learning (TTCL) module explicitly accounts for adaptation risk by selectively updating the model using high-confidence pseudo-normal samples while constraining anomalous ones. Additionally, TTCL incorporates a k-nearest neighbor-based contrastive objective to refine embedding distributions, thereby further enhancing the model's discriminative capacity. Extensive experiments on 15 tabular datasets demonstrate that RTTAD achieves state-of-the-art overall detection performance.
• Abstract（参考訳）: 教師なしの表層異常検出法は、訓練中に通常のサンプルから特徴パターンを学習し、その後、これらのパターンから逸脱するサンプルをテスト中に異常として識別する。 しかし、現実的なシナリオでは、訓練データの規模や多様性が制限されているため、通常のパターンが不完全であることが多い。 テスト時適応は、改善を提供するが、テスト時最適化に焦点をあてることは、トレーニングフェーズ学習との重要な相乗効果を無視している。 さらに、ラベルなし試験データへの不特定適応は、必然的に異常な汚染を引き起こし、モデルが正常なサンプルと異常なサンプルの識別能力を十分に実現できないようにする。 これらの問題に対処するために,教師なしタブラリ異常検出のためのリスク対応テスト時間適応法であるRTTADを提案する。 RTTADは、相乗的な2段階のメカニズムを通じて、正規性シフトに取り組む。 トレーニング中、コラボレーティブなデュアルタスク学習は、複数レベルの表現をキャプチャして、堅牢な正規化を前もって確立する。 テスト中、TTCL(Test-Time Contrastive Learning)モジュールは、信頼性の高い疑似正規サンプルを使用してモデルを選択的に更新し、異常なものを制約することによって、適応リスクを明示的に説明する。 さらに、TTCLは、k-アネレスト近傍のコントラスト的目的を取り入れ、埋め込み分布を洗練させ、モデルの識別能力をさらに強化する。 15の表付きデータセットに対する大規模な実験は、RTTADが最先端の全体的な検出性能を達成することを実証している。

関連論文リスト

• EviATTA: Evidential Active Test-Time Adaptation for Medical Segment Anything Models [26.560028123695517]
  Evidential Active Test-Time Adaptation (EviATTA, Evidential Active Test-Time Adaptation) を提案する。 具体的には,ディリクレに基づくエビデンシャル・モデリングを用いて,分布の不確実性とデータの不確実性に全体的予測の不確実性を分解する。 EviATTAはバッチワイドとインスタンスワイドの両方のテスト時間適応設定の下で,最小限のエキスパートフィードバックで適応信頼性を継続的に向上することを示す。
  論文  参考訳（メタデータ） (2026-03-15T23:46:31Z)
• TACTIC for Navigating the Unknown: Tabular Anomaly deteCTion via In-Context inference [0.0]
  インコンテキスト学習は、タスク固有の最適化から大規模事前学習へと取り組みを移す新しいパラダイムとして登場した。 本稿では,異常検出のためのコンテキスト内モデルについて検討し,TabPFNの教師なし拡張が不安定な動作を示すことを示す。 本稿では,異常中心の合成前駆体を用いた事前学習に基づくコンテキスト内異常検出手法であるTACTICを紹介する。
  論文  参考訳（メタデータ） (2026-03-15T01:06:24Z)
• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• Leveraging Learning Bias for Noisy Anomaly Detection [19.23861148116995]
  本稿では、フル教師なし画像異常検出(FUIAD)の課題に対処する。 従来の方法では、異常のないトレーニングデータを仮定するが、実世界の汚染により、モデルは通常通り異常を吸収する。 モデルに固有の学習バイアスを利用する2段階のフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-10T17:47:21Z)
• Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [109.72772150095646]
  FAPromptは、精密なZSADのためのきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。 産業的欠陥と医療的異常の両方をカバーする19の実世界のデータセットの実験は、FAPromptが画像レベルのZSADタスクとピクセルレベルのZSADタスクの両方で最先端の手法を大幅に上回っていることを実証している。
  論文  参考訳（メタデータ） (2024-10-14T08:41:31Z)
• A Comprehensive Survey on Test-Time Adaptation under Distribution Shifts [117.72709110877939]
  テスト時間適応(TTA)は、事前訓練されたモデルをテスト中に、予測する前にラベルのないデータに適応する可能性がある。 TTAはテスト時間領域適応、テスト時間バッチ適応、オンラインテスト時間適応といったテストデータの形態に基づいて、いくつかの異なるグループに分類される。
  論文  参考訳（メタデータ） (2023-03-27T16:32:21Z)
• DELTA: degradation-free fully test-time adaptation [59.74287982885375]
  テスト時間バッチ正規化(BN)や自己学習といった,一般的な適応手法では,2つの好ましくない欠陥が隠されていることがわかった。 まず、テスト時間BNにおける正規化統計は、現在受信されているテストサンプルに完全に影響され、その結果、不正確な推定結果が得られることを明らかにする。 第二に、テスト時間適応中にパラメータ更新が支配的なクラスに偏っていることを示す。
  論文  参考訳（メタデータ） (2023-01-30T15:54:00Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Efficient Test-Time Model Adaptation without Forgetting [60.36499845014649]
  テストタイム適応は、トレーニングとテストデータの間の潜在的な分散シフトに取り組むことを目指している。 信頼性および非冗長なサンプルを同定するためのアクティブなサンプル選択基準を提案する。 また、重要なモデルパラメータを劇的な変化から制約するFisher regularizerを導入します。
  論文  参考訳（メタデータ） (2022-04-06T06:39:40Z)

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。