論文の概要: Masked Diffusion Modeling for Anomaly Detection

• arxiv url: http://arxiv.org/abs/2605.30046v1
• Date: Thu, 28 May 2026 14:59:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.410995
• Title: Masked Diffusion Modeling for Anomaly Detection
• Title（参考訳）: 異常検出のためのマスク付き拡散モデル
• Authors: Lixing Zhang, Yuchen Liang, Liyan Xie,
• Abstract要約: そこで我々は,分類型,混合型,離散シーケンスデータに対するMasked Diffusion for Anomaly Detection (MaskDiff-AD)を提案する。 MaskDiff-ADはランダムにマスクされた座標の再構成が困難であることから異常スコアを構成する。 実験により、MaskDiff-ADは古典的、拡散ベース、および最近の表/テキスト異常検出ベースラインと競合する性能を示した。
• 参考スコア（独自算出の注目度）: 20.76040356148893
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection aims to identify samples that deviate from the nominal data distribution and is central to many safety-critical applications. However, developing effective anomaly detection methods for categorical, mixed-type, and discrete sequence data remains challenging and relatively underexplored. Masked diffusion models provide a natural way to model such data by learning to recover masked values from the remaining visible context. In this paper, we propose Masked Diffusion for Anomaly Detection (MaskDiff-AD), a forward-only method based on masked diffusion models trained only on nominal data. Given a test sample, MaskDiff-AD constructs anomaly scores from the difficulty of reconstructing randomly masked coordinates, yielding a content-sensitive score that operates directly on discrete state spaces while avoiding reverse-time sampling. We also develop a non-parametric variant of MaskDiff-AD and provide theoretical guarantees by characterizing Type-I and Type-II errors under a fixed detection threshold. Experiments on fourteen categorical and mixed-type tabular datasets from ADBench and UADAD, as well as four text anomaly detection datasets from NLP-ADBench, show that MaskDiff-AD achieves competitive performance against classical, diffusion-based, and recent tabular/text anomaly detection baselines. Notably, MaskDiff-AD achieves the best overall average rank, outperforming all twelve tabular baseline methods.
• Abstract（参考訳）: 異常検出は、名目データ分布から逸脱し、多くの安全クリティカルなアプリケーションの中心となるサンプルを特定することを目的としている。 しかし、分類的、混合型、離散的なシーケンスデータに対する効果的な異常検出法の開発は、依然として困難であり、比較的過小評価されている。 仮面拡散モデル(仮面拡散モデル)は、残りの可視的コンテキストからマスキングされた値を復元することを学ぶことによって、そのようなデータをモデル化する自然な方法を提供する。 本稿では,マスク付き拡散モデルに基づく前方専用手法であるMasked Diffusion for Anomaly Detection (MaskDiff-AD)を提案する。 テストサンプルが与えられた場合、MaskDiff-ADはランダムにマスクされた座標の再構成が困難であることから異常スコアを構築し、逆時間サンプリングを避けながら離散状態空間上で直接動作するコンテンツ感受性スコアを得る。 また、MaskDiff-ADの非パラメトリック版を開発し、固定検出しきい値の下でType-IおよびType-IIエラーを特徴付けることによって理論的保証を提供する。 ADBenchとUADADの14の分類型および混合型の表型データセットと、NLP-ADBenchの4つのテキスト異常検出データセットの実験により、MaskDiff-ADが古典的、拡散的、および最近の表型/テキスト異常検出ベースラインと競合する性能を発揮することが示された。 特に、MaskDiff-ADは、12の表付きベースライン法よりも優れた、全体的な平均ランクを達成している。

関連論文リスト

• 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)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• Multiple-Input Variational Auto-Encoder for Anomaly Detection in Heterogeneous Data [31.732566841690907]
  異常検出は、分類におけるAIアプリケーション、サイバーセキュリティにおける侵入/脅威検出などにおいて重要な役割を果たす。 本稿では,この問題に対処するために,Multiple-Input Auto-Encoder for AD (MIAEAD) と呼ばれる新しいニューラルネットワークモデルを提案する。 MIAEADは、異常である可能性を示すために、データサンプルの各特徴サブセットに異常スコアを割り当てる。 すべてのサブエンコーダは同時に教師なし学習を用いて訓練され、特徴部分集合の異常スコアを決定する。
  論文  参考訳（メタデータ） (2025-01-14T14:25:10Z)
• Disentangling Tabular Data Towards Better One-Class Anomaly Detection [24.549797910707092]
  一級分類条件下でのタブラル異常検出は重要な課題である。 通常のサンプル中の属性間の本質的な相関を捉えることは、その概念を学ぶための1つの有望な方法を示す。 その結果,AUC-PRでは6.1%,AUC-ROCでは2.1%の性能向上が得られた。
  論文  参考訳（メタデータ） (2024-11-12T06:24:11Z)
• AnomalySD: Few-Shot Multi-Class Anomaly Detection with Stable Diffusion Model [7.942354689705658]
  異常検出は製造業において重要な課題であり、製品の欠陥部分を特定することを目的としている。 ほとんどの産業的異常検出法は、訓練に十分な正規データが存在することを前提としている。 本稿では,安定拡散モデルを用いた数発のマルチクラス異常検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-04T08:33:44Z)
• AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
  製造業において異常検査が重要な役割を担っている。 既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。 本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:13:40Z)
• LafitE: Latent Diffusion Model with Feature Editing for Unsupervised Multi-class Anomaly Detection [12.596635603629725]
  我々は,通常のデータのみにアクセス可能な場合に,複数のクラスに属するオブジェクトから異常を検出する統一モデルを開発した。 まず、生成的アプローチについて検討し、再構成のための潜伏拡散モデルについて検討する。 「拡散モデルの入力特徴空間を修正し、アイデンティティショートカットをさらに緩和する特徴編集戦略を導入する。」
  論文  参考訳（メタデータ） (2023-07-16T14:41:22Z)
• DASVDD: Deep Autoencoding Support Vector Data Descriptor for Anomaly Detection [9.19194451963411]
  半教師付き異常検出は、通常のデータに基づいて訓練されたモデルを用いて、通常のサンプルから異常を検出することを目的としている。 本稿では,自己エンコーダのパラメータを協調的に学習する手法であるDASVDDを提案する。
  論文  参考訳（メタデータ） (2021-06-09T21:57:41Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。