論文の概要: Beyond Normal References: Discriminative Few-Shot Anomaly Detection

• arxiv url: http://arxiv.org/abs/2605.23231v1
• Date: Fri, 22 May 2026 04:48:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.2015
• Title: Beyond Normal References: Discriminative Few-Shot Anomaly Detection
• Title（参考訳）: 正常な基準を超えて:識別的Few-Shot異常検出
• Authors: Huan Wang, Jun Shen, Jun Yan, Guansong Pang,
• Abstract要約: 本稿では,識別性FSADと呼ばれる,現実的な数発の異常検出設定について考察する。 既存のFSADメソッドは正規性マッチングを通じて正規性のみの参照に依存している。 両方の参照型を利用する本質的な逸脱学習フレームワークを導入する。
• 参考スコア（独自算出の注目度）: 35.05951359908686
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper considers a practical few-shot anomaly detection (FSAD) setting, termed discriminative FSAD, where a limited number of both normal and anomalous examples are available as references during inference. Existing FSAD methods rely on normal-only references through normality matching, ignoring the discriminative clues in anomalous references, while directly fitting both references can overfit to the seen anomalies. We introduce IDEAL, an intrinsic deviation learning framework that leverages both reference types to learn intrinsic deviation patterns characterizing generalizable abnormality as deviations from normality. IDEAL decomposes the learning process into two novel components: 1) a Normal Variation Eraser to suppress nuisance normal variations that may lead to noisy deviations from normality, thereby highlighting anomaly-relevant deviation representations; 2) an Intrinsic Deviation Encoder to decompose these denoised deviation representations into intrinsic deviation vectors capturing the most discriminative orthogonal deviation directions. At inference, IDEAL scores query-to-normal deviations preserved after projection onto the learned intrinsic deviation vectors, enabling generalization for both seen and unseen anomalies. Extensive experiments on eight real-world datasets show that IDEAL generalizes effectively to unseen anomalies and consistently outperforms existing state-of-the-art FSAD methods. Code and data will be available at \href{https://github.com/mala-lab/IDEAL}{https://github.com/mala-lab/IDEAL}.
• Abstract（参考訳）: 本稿では,実例と異常例の両方を限定的に参照するFSADという,現実的な数発的異常検出(FSAD)の設定について考察する。 既存のFSAD法は正規性マッチングを通じて通常の参照のみに依存しており、異常参照における識別的手がかりを無視している。 両参照型を利用した固有偏差学習フレームワークであるIDEALを導入し,正規性からの偏差として一般化可能な異常を特徴付ける固有偏差パターンを学習する。 IDEALは学習プロセスを2つの新しいコンポーネントに分解する。 1) 正常性からノイズの偏りを生じさせるニュアンス正常変化を抑制するための正常変分消去装置であって、異常関連偏差表現を強調させるものである。 2) 固有偏差エンコーダは、これらの偏差表現を、最も識別可能な直交偏差方向を計測する固有偏差ベクトルに分解する。 推論では、IDEALは学習した固有偏差ベクトルに投影した後に保存されたクエリから正規の偏差をスコアし、見えていない異常と見えない異常の両方を一般化する。 8つの実世界のデータセットに対する大規模な実験によると、IDEALは目に見えない異常を効果的に一般化し、既存の最先端FSADメソッドを一貫して上回っている。 コードとデータは \href{https://github.com/mala-lab/IDEAL}{https://github.com/mala-lab/IDEAL} で入手できる。

関連論文リスト

• Out of Context: Reliability in Multimodal Anomaly Detection Requires Contextual Inference [54.774686416991386]
  我々は、マルチモーダルな異常検出は、クロスモーダルな文脈推論問題として再編成されるべきであると主張している。 この観点はモデル設計、評価プロトコル、ベンチマーク構築に影響を及ぼす。
  論文  参考訳（メタデータ） (2026-04-14T19:32:55Z)
• Learning Discriminative and Generalizable Anomaly Detector for Dynamic Graph with Limited Supervision [31.57563937222115]
  動的グラフ異常検出(DGAD)は、多くの実世界のアプリケーションにとって重要であるが、ラベル付き異常が不足しているため、依然として困難である。 本稿では,3つの主要コンポーネントを持つ有効で一般化可能な,モデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-23T16:25:35Z)
• Normal-Abnormal Guided Generalist Anomaly Detection [24.763955488489852]
  Generalist Anomaly Detection (GAD)は、新しいターゲットドメインの異常を検出するために、元のドメイン上で統一モデルをトレーニングすることを目的としている。 従来のGAD法は主に通常のサンプルのみを参照として使用しており、現実のシナリオでしばしば利用できる異常なサンプルに含まれる貴重な情報を見下ろしている。 本報告では, 正常および異常サンプルを基準として, 種々の領域にわたる異常検出を誘導する正規誘導型一般異常検出法を提案する。
  論文  参考訳（メタデータ） (2025-10-01T04:27:10Z)
• GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
  拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。 世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。 本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:27:23Z)
• Explicit Boundary Guided Semi-Push-Pull Contrastive Learning for Supervised Anomaly Detection [14.27685411466415]
  ほとんどの異常検出(AD)モデルは、教師なしの方法で通常のサンプルのみを使用して学習される。 そこで本研究では,新しい境界案内型半プッシュプルコントラスト学習機構を提案する。
  論文  参考訳（メタデータ） (2022-07-04T14:50:23Z)
• 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)
• Deep Weakly-supervised Anomaly Detection [118.55172352231381]
  ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。 PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。 12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
  論文  参考訳（メタデータ） (2019-10-30T00:40:25Z)

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。