論文の概要: Open World Autoencoding Drift Detection with Novel Class Recognition in Tabular Non-stationary Data Streams

• arxiv url: http://arxiv.org/abs/2605.29834v1
• Date: Thu, 28 May 2026 12:12:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.226596
• Title: Open World Autoencoding Drift Detection with Novel Class Recognition in Tabular Non-stationary Data Streams
• Title（参考訳）: タブラル非定常データストリームにおける新しいクラス認識を用いたオープンワールド自動符号化ドリフト検出
• Authors: Joanna Komorniczak,
• Abstract要約: 本研究では,教師なしの概念ドリフト検出手法を提案する。 オートエンコーダの再構成エラーに基づいて、既知のクラス分布のシフトを特定する。 また、プロキシ表現の密度推定を通じて、新しいクラスサンプルの認識を可能にする。
• 参考スコア（独自算出の注目度）: 0.2538209532048867
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Data stream processing has become a landmark in modern machine learning applications, with concept drifts and novel class appearances posing the primary challenges faced by sophisticated recognition methods. This work proposes an unsupervised concept drift detection method that identifies shifts in known class distributions based on the reconstruction errors of an autoencoder, while also enabling the recognition of novel class samples through density estimation of a proxy representation of samples. Using mirrored autoencoders allows for independent incremental adaptation to changing problem distributions for the two considered tasks, resulting in continuous adjustment to evolving concepts and reliable recognition of unknown samples. Conducted experiments used a diverse set of synthetic tabular data streams, where both concept drifts and the emergence of novelties were observed. The results show that the proposed approach is competitive with current state-of-the-art unsupervised drift detectors and novelty classifiers.
• Abstract（参考訳）: データストリーム処理は、現代の機械学習アプリケーションにおいて目覚ましいものとなり、概念の漂流と、高度な認識手法が直面する主要な課題を浮き彫りにした新しいクラスが登場した。 本研究は,自己エンコーダの再構成誤差に基づいて,既知のクラス分布の変化を識別すると同時に,サンプルのプロキシ表現の密度推定による新しいクラス標本の認識を可能にする,教師なしのコンセプトドリフト検出手法を提案する。 ミラー化されたオートエンコーダを使用することで、2つの考慮されたタスクに対する問題分布の変化に対して独立的に漸進的適応が可能となり、進化する概念への継続的な調整と未知のサンプルの確実な認識が実現される。 実験では、様々な合成表形式のデータストリームを使用し、概念の漂流と新規性の出現が観察された。 提案手法は,現在最先端の無人ドリフト検出器やノベルティ分類器と競合することを示す。

関連論文リスト

• Synthetic Non-stationary Data Streams for Recognition of the Unknown [0.0]
  本稿では,概念の漂流と新たなクラスの発生が生じる合成データストリーム生成の戦略について述べる。 これは、教師なしドリフト検出器が、新規性や概念ドリフトを検出するタスクにどのように対処しているかを示している。
  論文  参考訳（メタデータ） (2025-05-19T21:44:32Z)
• CONCLAD: COntinuous Novel CLAss Detector [5.857367484128867]
  本稿では,展開後データにおける新規クラス検出の問題に対する包括的解決法を提案する。 我々は、既知のクラス(es)サンプルと新しいクラス(es)サンプルを区別するために、反復不確実性推定アルゴリズムを用いる。 私たちは受け入れ次第コードを公開します。
  論文  参考訳（メタデータ） (2024-12-13T01:41:28Z)
• A Neighbor-Searching Discrepancy-based Drift Detection Scheme for Learning Evolving Data [40.00357483768265]
  本研究では,Nighbor-Searching Discrepancyに基づく新しい概念ドリフト検出手法を提案する。 提案手法は,仮想ドリフトを無視しながら,実概念ドリフトを高精度に検出することができる。 また、ある階級の侵略や撤退を特定することで、分類境界の変化の方向を示すこともできる。
  論文  参考訳（メタデータ） (2024-05-23T04:03:36Z)
• Combating Concept Drift with Explanatory Detection and Adaptation for Android Malware Classification [17.399454244765842]
  DREAMはドリフトの検出を改善し、説明適応プロセスを確立する新しいシステムである。 評価の結果,DREAMはドリフト検出精度を効果的に向上し,適応における専門家分析の労力を削減できることがわかった。
  論文  参考訳（メタデータ） (2024-05-07T07:55:45Z)
• Continual-MAE: Adaptive Distribution Masked Autoencoders for Continual Test-Time Adaptation [49.827306773992376]
  連続的テスト時間適応(CTTA)は、ソース事前学習モデルから目標分布の連続的な変化に移行するために提案される。 提案手法は,CTTAタスクの分類とセグメンテーションの両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-19T15:34:52Z)
• 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)
• Novelty Detection via Contrastive Learning with Negative Data Augmentation [34.39521195691397]
  新規性検出のための新しい生成ネットワークフレームワークを提案する。 我々のモデルは最先端のノベルティ検出器よりも優れている。 我々のモデルは、他の敵ベースノベルティ検出方法と比較して、非敵方式で訓練するためにより安定している。
  論文  参考訳（メタデータ） (2021-06-18T07:26:15Z)
• Semi-supervised Long-tailed Recognition using Alternate Sampling [95.93760490301395]
  ロングテール認識の主な課題は、データ分布の不均衡とテールクラスにおけるサンプル不足である。 半教師付き長尾認識という新しい認識設定を提案する。 2つのデータセットで、他の競合方法よりも大幅な精度向上を実証します。
  論文  参考訳（メタデータ） (2021-05-01T00:43:38Z)
• Conditional Variational Capsule Network for Open Set Recognition [64.18600886936557]
  オープンセット認識では、分類器はトレーニング時に未知の未知のクラスを検出する必要がある。 最近提案されたカプセルネットワークは、特に画像認識において、多くの分野で代替案を上回ることが示されている。 本提案では,訓練中,同じ既知のクラスのカプセルの特徴を,事前に定義されたガウス型に適合させることを推奨する。
  論文  参考訳（メタデータ） (2021-04-19T09:39:30Z)
• Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
  オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。 CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。 複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2020-08-12T06:23:49Z)

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。