論文の概要: Conditional anomaly detection methods for patient-management alert systems

• arxiv url: http://arxiv.org/abs/2605.10847v1
• Date: Mon, 11 May 2026 16:58:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:51.01467
• Title: Conditional anomaly detection methods for patient-management alert systems
• Title（参考訳）: 患者管理アラートシステムにおける条件異常検出手法
• Authors: Michal Valko, Gregory Cooper, Amy Seybert, Shyam Visweswaran, Melissa Saul, Miloš 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、異常検出を拡張し、データ内の属性のサブセット上の異常パターンを特定する。 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。 実世界の2つの検出問題に対するインスタンスベースの手法の利点を示す。
• 参考スコア（独自算出の注目度）: 14.876699168760304
• 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 rely on the distance metric to identify examples in the dataset that are most critical for detecting the anomaly. We investigate various metrics and metric learning methods to optimize the performance of the instance-based anomaly detection methods. We show the benefits of the instance-based methods on two real-world detection problems: detection of unusual admission decisions for patients with the community-acquired pneumonia and detection of unusual orders of an HPF4 test that is used to confirm Heparin induced thrombocytopenia - a life-threatening condition caused by the Heparin therapy.
• 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。 これらの手法は、異常を検出するのに最も重要なデータセットの例を特定するために距離メートル法に依存している。 本稿では,インスタンスベースの異常検出手法の性能を最適化するために,様々なメトリクスおよびメトリクス学習手法について検討する。 地域肺炎患者に対する特異な入院決定の検出と,ヘパリンによる血小板減少症(Heparin therapy)の診断に使用されるHPF4検査の異常な順序の検出である。

関連論文リスト

• Distance metric learning for conditional anomaly detection [17.631037059604477]
  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。
  論文  参考訳（メタデータ） (2026-05-01T07:55:29Z)
• Conditional anomaly detection using soft harmonic functions: An application to clinical alerting [30.23389433948732]
  我々は,ソフト・ハーモニック・ソリューションに基づく条件付き異常検出のための新しい非パラメトリック手法を開発した。 実世界の電子健康記録データセット上で異常なラベルを検出する上で,提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2026-04-23T09:18:20Z)
• Conditional anomaly detection with soft harmonic functions [30.23389433948732]
  我々は,ソフト・ハーモニック・ソリューションに基づく条件付き異常検出のための新しい非パラメトリック手法を開発した。 提案手法の有効性を,いくつかの合成およびUCI MLデータセットに示す。 また,本手法の有効性を実世界の電子健康記録データセット上で評価した。
  論文  参考訳（メタデータ） (2026-04-23T09:17:03Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• Adaptive Deviation Learning for Visual Anomaly Detection with Data Contamination [20.4008901760593]
  そこで本研究では,偏差学習を応用して,異常スコアをエンドツーエンドに計算する手法を提案する。 提案手法は競合する手法を超越し,データ汚染の存在下での安定性とロバスト性を示す。
  論文  参考訳（メタデータ） (2024-11-14T16:10:15Z)
• Unsupervised Anomaly Detection Using Diffusion Trend Analysis for Display Inspection [48.19821513256158]
  本稿では, 劣化度に応じて, 復元傾向の分析により異常を検出する手法を提案する。 本稿では,劣化度に応じて再構成傾向の分析により異常を検出する手法を提案する。
  論文  参考訳（メタデータ） (2024-07-12T01:50:07Z)
• Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection [90.32910087103744]
  ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。 これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。 トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。 本稿では,オープンセット型教師付き異常検出に取り組む。
  論文  参考訳（メタデータ） (2022-03-28T05:21:37Z)
• 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)
• Understanding the Effect of Bias in Deep Anomaly Detection [15.83398707988473]
  異常検出はラベル付き異常データの不足のため、機械学習においてユニークな課題となる。 最近の研究は、追加のラベル付き異常サンプルによる深部異常検出モデルのトレーニングを増強することで、このような問題を緩和しようとするものである。 本稿では,異常検出に対するバイアス付き異常集合の効果を理解することを目的とする。
  論文  参考訳（メタデータ） (2021-05-16T03:55:02Z)
• 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)

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。