論文の概要: Conformal Anomaly Detection in Python: Moving Beyond Heuristic Thresholds with 'nonconform'

• arxiv url: http://arxiv.org/abs/2605.13642v1
• Date: Wed, 13 May 2026 15:05:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:28.124907
• Title: Conformal Anomaly Detection in Python: Moving Beyond Heuristic Thresholds with 'nonconform'
• Title（参考訳）: Pythonのコンフォーマル異常検出:"非コンフォーマル"でヒューリスティックな閾値を超える
• Authors: Oliver Hennhöfer, Maximilian Kirsch, Christine Preisach,
• Abstract要約: 既存の機械学習において、共形異常検出を適用するためのPythonパッケージである「nonconform」を提示する。 このパッケージは'scikit-learn'、'pyod'、カスタムの異常検知器と統合されている。 キャリブレーション、p値生成、偽発見率制御のための統一インターフェースを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most anomaly detection systems output scores rather than calibrated decisions, leaving practitioners to choose thresholds heuristically and without clear statistical interpretation. Conformal anomaly detection addresses this limitation by converting anomaly scores into calibrated p-values that are valid under the statistical assumption of data exchangeability, with a growing literature extending this idea beyond that setting. We present 'nonconform', a Python package for applying conformal anomaly detection within existing machine-learning workflows, and use it as the basis for an implementation-grounded introduction to the field. The package integrates with 'scikit-learn', 'pyod', and custom anomaly detectors, and provides a unified interface for calibration, p-value generation, and false discovery rate control. It supports several conformalization strategies, ranging from simple split-conformal calibration to more data-efficient and shift-aware extensions. Through a progression from foundational concepts to advanced conformalization strategies, complemented by code examples, the paper connects the statistical ideas behind conformal anomaly detection to their practical use in 'nonconform'. Empirical results demonstrate that the implemented methods enable statistically principled anomaly detection. Together, the package and exposition aim to make core conformal anomaly detection workflows more accessible and reproducible in experimental and production-oriented settings.
• Abstract（参考訳）: ほとんどの異常検出システムは、校正された決定よりもスコアを出力し、実践者は経験的かつ明確な統計的解釈なしにしきい値を選択する。 コンフォーマルな異常検出は、異常スコアをデータ交換可能性の統計的仮定の下で有効な校正されたp値に変換することで、この制限に対処する。 我々は、既存の機械学習ワークフローでコンフォーマルな異常検出を適用するためのPythonパッケージである"nonconform"を紹介し、それをフィールドの実装基盤として利用する。 このパッケージは'scikit-learn'、'pyod'、カスタムの異常検知器と統合され、校正、p値生成、偽発見率制御のための統一されたインターフェースを提供する。 単純な分割型キャリブレーションから、よりデータ効率のよいシフト対応拡張まで、いくつかのコンフォメーション戦略をサポートしている。 基本概念から先進的な共形化戦略へと進化し, コード例で補うことによって, 共形異常検出の背後にある統計的概念と「非整形」の実践的利用を結びつける。 実験結果から, 統計的に原理化された異常検出が可能であることが示された。 パッケージと公開は、実験および運用指向の設定において、コアコンフォーマルな異常検出ワークフローをよりアクセスし、再現可能にすることを目的としている。

関連論文リスト

• Enhancing Tabular Anomaly Detection via Pseudo-Label-Guided Generation [35.2283498099342]
  擬似ラベル誘導型異常生成法PLAGを提案する。 PLAGが8つの代表ベースラインに対して最先端のパフォーマンスを達成することを示す。 柔軟なフレームワークとして、PLAGは既存の教師なし検出器とシームレスに統合される。
  論文  参考訳（メタデータ） (2026-04-20T13:42:30Z)
• Universal Transformation of One-Class Classifiers for Unsupervised Anomaly Detection [51.73001988341294]
  異常検出は通常、一級分類問題として定式化される。 本稿では,任意の1クラス分類器に基づく異常検出器を,完全に教師なしの手法に変換するデータセット折り畳み方式を提案する。
  論文  参考訳（メタデータ） (2026-02-13T16:54:12Z)
• Multi-Cue Anomaly Detection and Localization under Data Contamination [0.6703429330486276]
  本稿では,適応的偏差学習パラダイムに限定的な異常監視を組み込んだ頑健な異常検出フレームワークを提案する。 本フレームワークは, 各種データ汚染下での強い検出・局所化性能, 解釈可能性, 堅牢性を実現する。
  論文  参考訳（メタデータ） (2026-01-30T12:34:13Z)
• 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)
• 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)
• Leave-One-Out-, Bootstrap- and Cross-Conformal Anomaly Detectors [0.0]
  本研究では,異常検出のためのLeft-out-out-, bootstrap-, cross-conformalメソッドを正式に定義し,評価する。 我々は,再サンプリング・コンフォーマルな$p$-値を求める導出手法が,統計効率(全コンフォーマル)と計算効率(スプリット・コンフォーマル)の両立を図っていることを実証した。
  論文  参考訳（メタデータ） (2024-02-26T08:22:40Z)
• 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)
• 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)

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。