論文の概要: Rethinking Structural Anomaly Detection: From Decision Boundaries to Projection Operators

• arxiv url: http://arxiv.org/abs/2606.15280v1
• Date: Sat, 13 Jun 2026 12:37:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.248486
• Title: Rethinking Structural Anomaly Detection: From Decision Boundaries to Projection Operators
• Title（参考訳）: 構造異常検出の再考:決定境界から射影演算子へ
• Authors: Alexander Bauer,
• Abstract要約: 本稿では,既存手法の帰納バイアスとデータ構造とのミスマッチに対処する幾何学的視点を提案する。 具体的には、正規サンプルの多様体上の射影作用素を学習し、この射影によって変更される場合、サンプルを異常として定義する。 特に、プロジェクション品質の観点から、その成功と失敗を説明することによって、再構築に基づく手法の統一的な解釈を提供する。
• 参考スコア（独自算出の注目度）: 51.771100367755544
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most existing anomaly detection methods rely on estimating a probability density or learning an enclosing decision boundary, implicitly assuming that normal data occupies a region of non-zero volume in the ambient space. In contrast, structural anomaly detection considers data that lies near a low-dimensional manifold, creating a mismatch between the inductive bias of existing methods and the structure of the data, often resulting in degraded performance. To address this mismatch, we introduce a geometric perspective. Specifically, we learn a projection operator onto the manifold of normal samples and define a sample as anomalous if it is altered by this projection. This formulation naturally integrates the inductive bias of manifold-supported data and reframes anomaly detection in terms of a projection residual, thereby resolving issues arising from modeling degenerate distributions. Notably, it provides a unifying interpretation of reconstruction-based methods by explaining their success and failure in terms of projection quality. In particular, it explains the strong generalization ability of projection-aligned models as a consequence of contraction behavior toward the manifold. Moreover, by decoupling anomaly detection from probabilistic modeling, it reduces the tendency to misclassify rare but normal samples, a widely recognized limitation of existing approaches. Empirically, we demonstrate that projection-aligned methods achieve strong performance, outperforming boundary-based methods while improving upon existing reconstruction-based approaches.
• Abstract（参考訳）: 既存の異常検出手法の多くは、周囲空間の非ゼロ体積の領域を正規データが占めていると仮定して、確率密度の推定や囲む決定境界の学習に依存している。 対照的に、構造的異常検出は、低次元多様体の近くにあるデータを考慮し、既存の手法の帰納バイアスとデータ構造とのミスマッチを生じさせ、しばしば劣化性能をもたらす。 このミスマッチに対処するために,幾何学的視点を導入する。 具体的には、正規サンプルの多様体上の射影作用素を学習し、この射影によって変更される場合、サンプルを異常として定義する。 この定式化は、多様体支持データの帰納バイアスを自然に積分し、射影残差の観点から異常検出をリフレームし、縮退分布のモデル化から生じる問題を解消する。 特に、プロジェクション品質の観点から、その成功と失敗を説明することによって、再構築に基づく手法の統一的な解釈を提供する。 特に、多様体に対する縮退挙動の結果、射影整列モデルの強い一般化能力を説明する。 さらに,確率論的モデリングから異常検出を分離することにより,従来のアプローチの限界として広く認識されている,稀だが正常なサンプルを誤分類する傾向を低減する。 実験により,提案手法は,既存の再構成手法を改良しつつ,境界に基づく手法よりも優れた性能が得られることを示す。

関連論文リスト

• BoundAD: Boundary-Aware Negative Generation for Time Series Anomaly Detection [12.167081924571951]
  本稿では, 正規サンプルの再構成プロセスを通じて, ハードネガを自動生成するリコンストラクション駆動境界負生成フレームワークを提案する。 提案手法は,異常表現学習を効果的に改善し,現在のデータセット上での競合検出性能を実現する。
  論文  参考訳（メタデータ） (2026-03-18T13:50:59Z)
• 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)
• Unsupervised Anomaly Detection Using Diffusion Trend Analysis for Display Inspection [48.19821513256158]
  本稿では, 劣化度に応じて, 復元傾向の分析により異常を検出する手法を提案する。 本稿では,劣化度に応じて再構成傾向の分析により異常を検出する手法を提案する。
  論文  参考訳（メタデータ） (2024-07-12T01:50:07Z)
• Out-of-distribution detection using normalizing flows on the data manifold [3.409873726183299]
  データ複雑度の推定を考慮に入れながら、多様体学習を取り入れることで、正規化フローの分布外検出能力が向上することを示す。 この改善は、トレーニング中にモデル構造を変更したり、補助的なアウト・オブ・ディストリビューションデータを使用することなく達成される。
  論文  参考訳（メタデータ） (2023-08-26T07:35:16Z)
• 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)
• DR{\AE}M -- A discriminatively trained reconstruction embedding for surface anomaly detection [14.234783431842542]
  識別訓練された再構成異常埋め込みモデル(DRAEM)を提案する。 DRAEMは、異常画像とその異常のない再構成の合同表現を学習し、同時に、正常例と異常例の判定境界を学習する。 挑戦的なMVTec異常検出データセットでは、DRAEMは現在の最先端の教師なし手法よりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2021-08-17T13:17:29Z)

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。