論文の概要: Neural Bayesian Anomaly Mitigation: A Robust Loss that Doubles as an Unsupervised Contamination Classifier

• arxiv url: http://arxiv.org/abs/2606.16524v1
• Date: Mon, 15 Jun 2026 10:25:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.454429
• Title: Neural Bayesian Anomaly Mitigation: A Robust Loss that Doubles as an Unsupervised Contamination Classifier
• Title（参考訳）: 神経ベイズ異常軽減 : 教師なし汚染分類器としてのロバスト損失
• Authors: S. A. K. Leeney, W. J. Handley, H. T. J. Bevins, E. de Lera Acedo,
• Abstract要約: Neural Bayesian Anomaly Mitigation (NBAM)を紹介する。 NBAMはベイジアン・ラテント・スウィッチ混合モデルから派生した汎用的なドロップイン損失である。 NBAMは、教師付きパイプラインの標準的なトレーニング損失を置き換えることができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Engineered robust losses such as Huber, Student-$t$, and generalised cross-entropy make supervised models tolerant of contamination but cannot answer which observations are corrupted. We introduce Neural Bayesian Anomaly Mitigation (NBAM), a general-purpose drop-in loss derived from a Bayesian latent-switch mixture model: the marginal likelihood defines a robust supervised loss, and the associated posterior defines an unsupervised contamination classifier. Like Huber or Student-$t$, NBAM can replace the standard training loss in any supervised pipeline; unlike them, it additionally learns a structured contamination model and returns a calibrated per-sample contamination posterior. A learned input-dependent prior $π_φ(x)$ captures the spatial locality of contamination, so that samples near known corruptions are more likely to be flagged, while an Occam penalty emerges automatically and regularises against over-flagging. On CIFAR-10 with asymmetric label contamination, NBAM recovers the structure of the corruption process without supervision: the contamination posterior separates clean from corrupted samples, and the learned anomaly head identifies the direction of every label-flip pair. Alongside these capabilities, NBAM outperforms the four robust-loss baselines considered here at contamination rates 0.2-0.6.
• Abstract（参考訳）: Huber, Student-t$, and generalized cross-entropyなどの工学的な損失は、教師付きモデルは汚染に寛容であるが、どの観察が腐敗しているかに答えることができない。 本稿では,ベイズ・ラテント・スウィッチ混合モデルから得られる汎用的なドロップイン損失であるNeural Bayesian Anomaly Mitigation (NBAM)を紹介した。 Huber や Student-$t$ のように、NBAM は教師付きパイプラインの標準的なトレーニング損失を置き換えることができる。 学習された入力依存前の$π_φ(x)$は汚染の空間的局所性を捉えるため、既知の汚職に近いサンプルはフラグ付けされやすいが、オッカムのペナルティは自動的に現れ、過度なフラッグングに対して規則化される。 非対称なラベル汚染を伴うCIFAR-10では、NBAMは汚染されたサンプルからきれいに分離し、学習された異常ヘッドはラベルとフリップのペアの方向を識別する。 これらの能力に加えて、NBAMは汚染率0.2-0.6で、ここで考慮されるロバストな4つのベースラインを上回っている。

関連論文リスト

• Conformal calibration and look-elsewhere effect in anomaly detection for new-physics searches [0.0]
  機械学習による異常検出は、新しい物理学の探索を再構築している。 本稿では,共形予測に基づく校正層を提案する。
  論文  参考訳（メタデータ） (2026-06-11T18:00:02Z)
• The Illusion of Reasoning: Exposing Evasive Data Contamination in LLMs via Zero-CoT Truncation [28.17279842216215]
  大規模言語モデル(LLM)は、幅広いタスクにまたがる印象的な推論能力を示している。 データ汚染はこれらの能力の客観的評価を損なう。 現在のアプローチは、このようなステルス性の汚染を確実に検出するのに苦労している。 そこで我々はZero-CoT Probe (ZCP) を提案する。
  論文  参考訳（メタデータ） (2026-05-21T01:06:19Z)
• When to Trust Confidence Thresholding: Calibration Diagnostics for Pseudo-Labelled Regression [1.14219428942199]
  標準的なプラクティスは、信頼性カットオフで校正されたスコアをしきい値にし、ハードラベルを真実として扱うことである。 疑似ラベリングパイプラインのためのキャリブレーション対応診断装置を開発した。 我々は、下流回帰係数において信頼しきい値が誘導する減衰バイアスの閉形式式を導出する。
  論文  参考訳（メタデータ） (2026-05-12T21:49:11Z)
• Disagreement-Regularized Importance Sampling for Adversarial Label Corruption [3.0416928830191066]
  Disagreement-Regularized Importance Smpling (DR-IS)は、独立したプロキシアンサンブル間での損失ランクの分類に基づくサブサンプリング手法である。 DR-ISは、ベンチマークデータセット上のError $L$-norm (EL2N)のようなマグニチュードベースのメソッドを壊すターゲットの高いノーム攻撃の下で堅牢である。
  論文  参考訳（メタデータ） (2026-05-08T10:27:51Z)
• Robust Regression with Adaptive Contamination in Response: Optimal Rates and Computational Barriers [65.58071581164043]
  本研究では, 共変剤を清潔にし, 応答を適応的に劣化させる汚染モデルの下で, 頑健な回帰について検討する。 本研究では,ハマー汚染下で達成可能なものよりも優れた推定率を持つ推定器を構築するために,追加情報を慎重に活用できることを示す。 情報理論の観点からは、ハマーモデルよりも改善されているにもかかわらず、この問題が強い情報計算ギャップを示すという公式な証拠を提供する。
  論文  参考訳（メタデータ） (2026-04-05T19:07:24Z)
• Neural Uncertainty Principle: A Unified View of Adversarial Fragility and LLM Hallucination [60.197429875410286]
  大規模言語モデルにおける視覚と幻覚の対立的脆弱性は、伝統的に別の問題と見なされている。 損失誘起状態下でのニューラル不確実性原理(NUP)の定式化により, ほぼバウンド状態においては, さらなる圧縮は感度分散の増大を伴うことが判明した。 視覚では、高度に結合したコンポーネントをマスキングすることで、コストのかかる敵の訓練なしに堅牢性を向上させる。 言語では、任意の応答トークンを生成する前に、同じプレフィルステージプローブが幻覚リスクを検出する。
  論文  参考訳（メタデータ） (2026-03-20T02:07:10Z)
• Partial Causal Structure Learning for Valid Selective Conformal Inference under Interventions [0.0]
  ゲノミクスの実験では、交換可能性はしばしば、対象変数を「影響を受けない」ままにしておく介入のサブセットにのみ保持される。 i)「影響のない」キャリブレーション例の誤分類が、明示的な関数$g(,n)$の汚染分数とキャリブレーションセットサイズを介してどのようにカバレッジを劣化させるか、および (ii) 2つの後続指標$Z_a,i=mathbf1iinmathrmdesc(a)$のみを推定するタスク駆動部分因果学習の定式化。
  論文  参考訳（メタデータ） (2026-03-02T18:58:22Z)
• Benchmarking Corruption Robustness of LVLMs: A Discriminative Benchmark and Robustness Alignment Metric [49.393713730706445]
  汚損の堅牢性を評価するための識別サンプルを強調したベンチマークであるBench-Cを紹介する。 本稿では,ロバストネスアライメントスコア(RAS)を提案する。
  論文  参考訳（メタデータ） (2025-11-24T12:07:56Z)
• BURN: Backdoor Unlearning via Adversarial Boundary Analysis [73.14147934175604]
  Backdoor Unlearningは、モデル本来の機能を保持しながら、バックドア関連の情報を削除することを目的としている。 本稿では, 偽相関疎結合, プログレッシブデータリファインメント, モデル浄化を統合した新しい防御フレームワーク, BURNによるバックドア・アンラーニングを提案する。
  論文  参考訳（メタデータ） (2025-07-14T17:13:06Z)

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。