論文の概要: Learning a Normal World Model for Few-Shot Boundary-Calibrated Abnormality Detection

• arxiv url: http://arxiv.org/abs/2606.22261v1
• Date: Sat, 20 Jun 2026 23:15:34 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-06-23 15:15:44.769551
• Title: Learning a Normal World Model for Few-Shot Boundary-Calibrated Abnormality Detection
• Title（参考訳）: Few-Shot境界校正異常検出のための正規世界モデル学習
• Authors: Weizhi Nie, Weichao Liu, Weijie Wang, Yuting Su,
• Abstract要約: 複雑なシステムの異常検出には2つの実用的な障壁がある: 異常ラベルは不足しており、バイナリラベルは、イベントが正常な振る舞いからどのくらい離れているかを定量化しない。 この設定のための正規世界モデリングの定式化について検討する。 モデルは、異常なクラスの大きな不完全な空間を学ぶ代わりに、豊富な通常の事象から通常の世界を学習し、正規性の境界を校正するためにのみ、いくつかの異常な例を使用する。
• 参考スコア（独自算出の注目度）: 31.531107598347713
• License:
• Abstract: Abnormality detection in complex systems faces two practical barriers: abnormal labels are scarce, and binary labels do not quantify how far an event has departed from normal behavior. We study a normal-world modeling formulation for this setting. Instead of learning a large and incomplete space of abnormal classes, the model learns the normal world from abundant normal events and uses a few abnormal examples only to calibrate the boundary of normality. We instantiate this idea as a Hypergraph Entropic Normal-World Model. The model represents multivariate sensor windows as context-conditioned hypergraphs, where hyperedges capture high-order relations among groups of variables. It then defines abnormality by an entropy-aware normal-world energy that combines temporal prediction surprise, hypergraph consistency surprise, and latent normal-manifold departure. On the NASA C-MAPSS turbofan degradation benchmark, the proposed full energy achieves strong zero-shot and few-shot performance across all four subsets and reaches AUROC 0.9983 on FD004, the most complex setting with multiple operating conditions and fault modes. Beyond standard detection metrics, we introduce mechanistic validation tests to probe whether the energy encodes normal-world structure rather than a superficial input-output mapping. The learned energy accepts unseen healthy engines, increases along degradation trajectories, and sharply penalizes context-mismatched cross-variable coupling breaks. These results suggest that normal-world energy can serve as an anomaly score, a graded risk measure, and a testable representation of normal system behavior under severe abnormal-label scarcity.
• Abstract（参考訳）: 複雑なシステムの異常検出には2つの実用的な障壁がある: 異常ラベルは不足しており、バイナリラベルは、イベントが正常な振る舞いからどのくらい離れているかを定量化しない。 この設定のための正規世界モデリングの定式化について検討する。 モデルは、異常なクラスの大きな不完全な空間を学ぶ代わりに、豊富な通常の事象から通常の世界を学習し、正規性の境界を校正するためにのみ、いくつかの異常な例を使用する。 我々はこのアイデアをハイパーグラフエントロピー正規世界モデルとしてインスタンス化する。 このモデルは、多変量センサウィンドウをコンテキスト条件のハイパーグラフとして表現し、ハイパーエッジは変数群間の高次関係をキャプチャする。 次に、時間的予測のサプライズ、ハイパーグラフの一貫性のサプライズ、潜時正規次元離脱を組み合わせたエントロピー対応のノーマルワールドエネルギーによって異常を定義する。 NASAのC-MAPSSターボファン劣化ベンチマークでは、提案された全エネルギーは4つのサブセットすべてで強いゼロショットと少数ショットのパフォーマンスを達成し、FD004でAUROC 0.9983に達する。 標準検出指標以外にも,エネルギーが表面的な入出力マッピングではなく,通常の世界構造を符号化するかどうかを探索する機械的検証試験を導入する。 学習されたエネルギーは、目に見えない健全なエンジンを受け入れ、劣化軌道に沿って増加し、コンテキストミスマッチしたクロス変数結合断裂を鋭く罰する。 これらの結果から, 正常世界のエネルギーは異常スコア, 段階的リスク尺度, および重度の異常ラベル不足下での正常なシステム行動の実証可能な表現として機能することが示唆された。

関連論文リスト

• MLE-UVAD: Minimal Latent Entropy Autoencoder for Fully Unsupervised Video Anomaly Detection [7.322185733864892]
  本稿では,再構成誤りにより異常を検出するエントロピー誘導型オートエンコーダを提案する。 鍵となるアイデアは、オートエンコーダにおける標準的な再構築損失と、新しい最小遅延エントロピー損失とを組み合わせることである。 本手法はベースラインよりも頑健で優れた性能を実現する。
  論文  参考訳（メタデータ） (2026-03-25T02:51:26Z)
• Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [109.72772150095646]
  FAPromptは、精密なZSADのためのきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。 産業的欠陥と医療的異常の両方をカバーする19の実世界のデータセットの実験は、FAPromptが画像レベルのZSADタスクとピクセルレベルのZSADタスクの両方で最先端の手法を大幅に上回っていることを実証している。
  論文  参考訳（メタデータ） (2024-10-14T08:41:31Z)
• 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)
• Multimodal Motion Conditioned Diffusion Model for Skeleton-based Video Anomaly Detection [46.8584162860564]
  ビデオ異常検出(VAD)のための新しい生成モデルを提案する。 我々は、骨格表現を考察し、最先端拡散確率モデルを用いて、多モーダルな未来の人間のポーズを生成する。 4つの確立されたベンチマークでモデルを検証します。
  論文  参考訳（メタデータ） (2023-07-14T07:42:45Z)

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。