論文の概要: Anomaly as Non-Conformity via Training-Free Graph Laplacian Energy Minimization

• arxiv url: http://arxiv.org/abs/2605.28428v1
• Date: Wed, 27 May 2026 12:58:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:56.060227
• Title: Anomaly as Non-Conformity via Training-Free Graph Laplacian Energy Minimization
• Title（参考訳）: 学習自由グラフラプラシアンエネルギー最小化による非整合性の異常
• Authors: Jungwook Seo, Minjeong Kim, Younkwan Lee, Seungho Shin, Sungyong Baik,
• Abstract要約: 教師なし異常検出は、通常、クエリパッチと通常のパッチのメモリの特徴的類似度を測定することで解決される。 本稿では,クエリパッチの非整合性のコストでAnomalyをスコアする,トレーニングフリーなラプラシアングラフエネルギー最適化式ANoCoを提案する。 標準ベンチマーク全体では、強力なイメージレベルのAUROC、安定したローカライゼーションマップ、以前の方法よりも堅牢性が改善されている。
• 参考スコア（独自算出の注目度）: 17.15280600925639
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting subtle visual anomalies in images remains challenging, particularly when only normal samples are available a priori. Such unsupervised anomaly detection is typically solved by measuring feature similarity of a query patch to a memory of normal patches. However, similarity alone does not reveal how strongly a query patch violates the structure of the normal feature manifold. We propose a training-free Laplacian graph energy optimization formulation, named ANoCo that scores Anomaly by the cost of Non-Conformity of a query patch to align with a fixed normal manifold. For each query patch, we construct a bipartite query to normal graph weighted by cosine affinity, explicitly removing query-query and normal-normal edges to prevent evidence dilution. We formulate anomaly scoring as a convex Laplacian energy with anchored normal nodes, and solve in closed form. In particular, we do not use the optimized features themselves-the anomaly score is the magnitude of the update required to satisfy normality constraints, reframing the graph Laplacian as a non-conformity operator rather than a smoothing prior. The proposed method introduces no learnable parameters, message passing, or sampling, and has complexity comparable to a single linear solve. Across standard benchmarks, it delivers strong image-level AUROC, stable localization maps, and improved robustness over prior methods, demonstrating the effectiveness of using optimization-induced feature drift as anomaly measure.
• Abstract（参考訳）: 画像中の微妙な視覚異常を検出することは、特に正常なサンプルのみを事前に利用できる場合、依然として困難である。 このような教師なし異常検出は、典型的には、クエリパッチと通常のパッチのメモリの特徴的類似度を測定することで解決される。 しかし、類似性だけでは、クエリパッチが通常の特徴多様体の構造にどの程度強く違反しているかは明らかになっていない。 そこで我々は,ANoCo と命名された学習自由なラプラシアングラフエネルギーの最適化法を提案し,クエリパッチの非整合性のコストでAnomaly をスコアし,正規多様体と整合する。 各クエリパッチに対して、コサイン親和性によって重み付けされた正規グラフに対する二部探索を構築し、クエリクエリと正規正規エッジを明示的に除去し、証拠の希釈を防止する。 正規ノードを固定した凸ラプラスエネルギーとして異常スコアを定式化し、閉じた形で解く。 特に、最適化された特徴自体を使用せず、異常スコアは正規性制約を満たすのに必要な更新の規模であり、グラフラプラシアンをスムーズな前の演算子ではなく非整合作用素として再定義する。 提案手法は, 学習可能なパラメータやメッセージパッシング, サンプリングを伴わず, 単一線形解に匹敵する複雑性を有する。 標準ベンチマーク全体では、強力な画像レベルAUROC、安定したローカライゼーションマップ、事前手法よりも堅牢性を向上し、異常測度として最適化誘発機能ドリフトの有効性を実証している。

関連論文リスト

• Mitigating Homophily Disparity in Graph Anomaly Detection: A Scalable and Adaptive Approach [10.690844780930137]
  グラフ異常検出(GAD)は、構造や特徴の通常のパターンから逸脱するノードを特定することを目的としている。 最近のGNNベースのアプローチでは,1) ノードがクラスレベルとノードレベルで均質に変化するホモフィリティー,2) 拡張性に制限があるため,多くの手法がコストのかかるグラフ全体の操作に依存している。
  論文  参考訳（メタデータ） (2026-03-09T09:15:47Z)
• 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)
• Error Feedback under $(L_0,L_1)$-Smoothness: Normalization and Momentum [56.37522020675243]
  機械学習の幅広い問題にまたがる正規化誤差フィードバックアルゴリズムに対する収束の最初の証明を提供する。 提案手法では,許容可能なステップサイズが大きくなったため,新しい正規化エラーフィードバックアルゴリズムは,各種タスクにおける非正規化エラーよりも優れていた。
  論文  参考訳（メタデータ） (2024-10-22T10:19:27Z)
• 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)
• Smoothing the Edges: Smooth Optimization for Sparse Regularization using Hadamard Overparametrization [10.009748368458409]
  本稿では、(構造化された)空間性に対して、明示的に正規化された目的を円滑に最適化するためのフレームワークを提案する。 提案手法は,完全微分可能近似自由最適化を実現し,深層学習におけるユビキタス勾配降下パラダイムと互換性がある。
  論文  参考訳（メタデータ） (2023-07-07T13:06:12Z)
• Optimal Regularization for a Data Source [8.38093977965175]
  解の量を促進する正則化器でデータの忠実性を強制する基準を強化するのが一般的である。 本稿では,凸正則化のパワーと限界の体系的理解を求める。
  論文  参考訳（メタデータ） (2022-12-27T20:11:59Z)
• 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)
• Spectral clustering under degree heterogeneity: a case for the random walk Laplacian [83.79286663107845]
  本稿では,ランダムウォークラプラシアンを用いたグラフスペクトル埋め込みが,ノード次数に対して完全に補正されたベクトル表現を生成することを示す。 次数補正ブロックモデルの特別な場合、埋め込みはK個の異なる点に集中し、コミュニティを表す。
  論文  参考訳（メタデータ） (2021-05-03T16:36:27Z)

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。