論文の概要: Automatic Unsupervised Ensemble Outlier Model Selection--Extended Version
- arxiv url: http://arxiv.org/abs/2605.16567v1
- Date: Fri, 15 May 2026 19:15:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:46.701891
- Title: Automatic Unsupervised Ensemble Outlier Model Selection--Extended Version
- Title（参考訳）: 自動アンサンブルアンサンブルモデル選択-拡張版
- Authors: Hong-Phuc Phan, Tuan-Anh Vu, Tung Kieu, Son Ha Xuan, Bin Yang, Christian S. Jensen,
- Abstract要約: ラベル付きデータを必要としないため、教師なしの外れ値検出は魅力的である。
本稿では,外乱検出モデルのアンサンブルを選択するための教師なしフレームワークであるMetaEnsを提案する。
39の実世界のデータセットの実験によると、MetaEnsは最先端の教師なしセレクタとアンサンブルベースラインを一貫して上回っている。
- 参考スコア（独自算出の注目度）: 16.177590208339176
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Unsupervised outlier detection is attractive because it eliminates the need for labeled data. Moreover, forming multi-model ensembles can improve detection robustness. However, composing an ensemble without labeled data is challenging. Naively composed ensembles can suffer from ensemble saturation, where redundant or unreliable detection models degrade performance and incur unnecessary computation. We propose MetaEns, an automatic unsupervised framework for selecting ensembles of outlier detection models. Using labeled meta-datasets, MetaEns learns a model that predicts marginal ensemble gains, estimating the expected improvement from adding a candidate model to a partially constructed ensemble. At test time, this learned signal is combined with a submodular-inspired proxy objective that enforces diminishing returns through diversity-aware discounting and family-level risk regularization, thereby enabling greedy sequential selection with adaptive early stopping. As a result, MetaEns constructs compact, high-quality ensembles without access to ground-truth labels. Experiments on 39 real-world datasets show that MetaEns consistently outperforms state-of-the-art unsupervised selectors and ensemble baselines, achieving higher average precision while using fewer models.
- Abstract（参考訳）: ラベル付きデータを必要としないため、教師なしの外れ値検出は魅力的である。
さらに、マルチモデルアンサンブルの形成は、検出堅牢性を向上させることができる。
しかし、ラベル付きデータなしでアンサンブルを構成することは困難である。
自然に構成されたアンサンブルはアンサンブル飽和に悩まされ、冗長または信頼性の低い検出モデルは性能を低下させ、不要な計算を行う。
本稿では,外乱検出モデルのアンサンブルを選択するための,教師なしの自動フレームワークであるMetaEnsを提案する。
ラベル付きメタデータセットを使用して、MetaEnsは限界アンサンブルゲインを予測するモデルを学び、部分的に構築されたアンサンブルに候補モデルを追加することで期待される改善を見積もる。
テスト時に、この学習信号は、多様性を意識した割引や家族レベルのリスクレギュラー化を通じてリターンの低下を強制するサブモジュールインスパイアされたプロキシ目的と組み合わせられ、適応的な早期停止を伴うグレディシーケンシャル選択を可能にする。
その結果、MetaEnsはコンパクトで高品質なアンサンブルをグランドトラスラベルにアクセスできることなく構築する。
39の実世界のデータセットの実験によると、MetaEnsは最先端の教師なしセレクタとアンサンブルベースラインを一貫して上回り、より少ないモデルを使用しながら、より高い平均精度を達成する。
関連論文リスト
- SetAD: Semi-Supervised Anomaly Learning in Contextual Sets [25.628827917857603]
半教師付き異常検出は、限られたラベル付きデータを効果的に活用することで大きな可能性を秘めている。
本研究では,半教師付きADをSet-level Anomaly Detectionタスクとして再編成する新しいフレームワークであるSetADを提案する。
頑健性とスコアの校正性を高めるため,文脈校正型異常スコアリング機構を提案する。
論文 参考訳（メタデータ） (2025-11-26T13:27:59Z) - Generalization is not a universal guarantee: Estimating similarity to training data with an ensemble out-of-distribution metric [0.09363323206192666]
機械学習モデルの新しいデータへの一般化の失敗は、AIシステムの信頼性を制限する中核的な問題である。
本稿では、一般化可能性推定(SAGE)のための教師付きオートエンコーダを構築することにより、データの類似性を評価するための標準化されたアプローチを提案する。
モデル自体のトレーニングやテストデータセットのデータに適用しても,SAGEスコアのフィルタリング後にアウト・オブ・ボックスモデルの性能が向上することを示す。
論文 参考訳（メタデータ） (2025-02-22T19:21:50Z) - Ranked from Within: Ranking Large Multimodal Models Without Labels [73.96543593298426]
ソフトマックス分布から導かれる不確実性スコアは,様々なタスクにまたがるランキングモデルに対して,ロバストな基礎となることを示す。
これにより、ラベルのないデータに対するLMMのランク付けが容易になり、手動のアノテーションを必要とせずに、多様なターゲットドメインのモデルを選択するための実践的なアプローチを提供する。
論文 参考訳（メタデータ） (2024-12-09T13:05:43Z) - Trained Models Tell Us How to Make Them Robust to Spurious Correlation without Group Annotation [3.894771553698554]
経験的リスク最小化(ERM)モデルは、ターゲットと高い刺激的な相関を持つ属性に依存する傾向がある。
これにより、これらの属性を欠いた未表現(または'マイナー')グループのパフォーマンスを低下させることができる。
本稿では,環境に基づく検証と損失に基づくサンプリング(EVaLS)を提案する。
論文 参考訳（メタデータ） (2024-10-07T08:17:44Z) - Exploring Beyond Logits: Hierarchical Dynamic Labeling Based on Embeddings for Semi-Supervised Classification [49.09505771145326]
モデル予測に依存しない階層型動的ラベル付け(HDL)アルゴリズムを提案し,画像埋め込みを用いてサンプルラベルを生成する。
本手法は,半教師付き学習における擬似ラベル生成のパラダイムを変える可能性がある。
論文 参考訳（メタデータ） (2024-04-26T06:00:27Z) - Unsupervised Model Selection for Time-series Anomaly Detection [7.8027110514393785]
提案手法は, 予測誤差, モデル中心性, および, 注入された合成異常に対する性能の3種類のサロゲート(教師なし)メトリクスを同定する。
我々は、厳密なランク集約問題として、複数の不完全なサロゲート指標との計量結合を定式化する。
複数の実世界のデータセットに対する大規模な実験は、我々の提案した教師なしアプローチが、最も正確なモデルを選択するのと同じくらい効果的であることを示す。
論文 参考訳（メタデータ） (2022-10-03T16:49:30Z) - Generative Modeling Helps Weak Supervision (and Vice Versa) [87.62271390571837]
本稿では,弱い監督と生成的敵ネットワークを融合したモデルを提案する。
弱い監督によるラベル推定と並行して、データの離散変数をキャプチャする。
これは、弱い教師付き合成画像と擬似ラベルによるデータ拡張を可能にする最初のアプローチである。
論文 参考訳（メタデータ） (2022-03-22T20:24:21Z) - Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。
入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。
分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
論文 参考訳（メタデータ） (2021-06-14T05:39:09Z) - Autoregressive Score Matching [113.4502004812927]
自動回帰条件スコアモデル(AR-CSM)を提案する。
AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。
本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
論文 参考訳（メタデータ） (2020-10-24T07:01:24Z) - Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。
我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。
その結果,我々のモデルは最先端の性能を達成できることがわかった。
論文 参考訳（メタデータ） (2020-10-12T03:27:07Z) - Automating Outlier Detection via Meta-Learning [37.736124230543865]
メタ学習をベースとした,Overier検出のためのモデル選択のための,最初の原則付きデータ駆動型アプローチであるMetaODを開発した。
検出モデルの選択におけるMetaODの有効性を示す。
この新しい問題をさらに研究するために、私たちはメタラーニングシステム全体、ベンチマーク環境、テストベッドデータセットをオープンソース化しました。
論文 参考訳（メタデータ） (2020-09-22T15:14:45Z)
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。