論文の概要: RGLD: Randomized Global-Local Density Estimation for Tabular Anomaly Detection

• arxiv url: http://arxiv.org/abs/2606.28970v1
• Date: Sat, 27 Jun 2026 15:20:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.743079
• Title: RGLD: Randomized Global-Local Density Estimation for Tabular Anomaly Detection
• Title（参考訳）: RGLD: タブラル異常検出のためのランダムなグローバル局所密度推定
• Abstract要約: 教師なしタブ状異常検出には、異種データセット間で堅牢な方法が必要である。 本稿では,効率的な教師なし異常検出のためのランダム化グローバル局所密度推定器 RGLD を提案する。 RGLDは、データセットレベルのAUROCパフォーマンスを最強に達成し、データセットの勝利で1位、AUPRCの勝利で2位にランクインした。
• 参考スコア（独自算出の注目度）: 10.363495989074226
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Unsupervised tabular anomaly detection requires methods that are accurate, robust across heterogeneous datasets, and computationally efficient. Classical statistical detectors are often efficient, but they usually rely on a fixed data view and a single notion of abnormality. Deep anomaly detectors can learn more flexible scoring functions, but they are substantially slower and difficult to tune in unsupervised settings due to the lack of a reliable supervisory signal. We propose RGLD, a randomized global-local density estimator for efficient unsupervised tabular anomaly detection. RGLD combines a global random-feature density branch, which identifies samples in broadly low-density regions, with a local neighbor branch, which detects samples that are weakly supported by nearby observations. Both branches operate over feature-bagged randomized views, allowing RGLD to expose anomaly evidence that may be hidden in any single representation. We conduct experiments on 47 tabular datasets against 23 statistical and deep anomaly detection baselines under fully unsupervised setting. RGLD achieves the strongest dataset-level AUROC performance, ranking 1st in dataset wins, and ranks 2nd in AUPRC wins. RGLD is also faster than all evaluated deep detectors, achieving 50x-580x speedups, and remains competitive with statistical methods in runtime, yielding a favorable accuracy-efficiency tradeoff.
• Abstract（参考訳）: 教師なしタブ状異常検出には、正確で、異種データセットにまたがる堅牢で、計算効率のよい方法が必要である。 古典的な統計検出器は、しばしば効率的であるが、通常は固定されたデータビューと単一の異常の概念に依存している。 深部異常検知器はより柔軟なスコアリング関数を学習することができるが、信頼性の高い監視信号がないため、教師なしの設定ではかなり遅く、チューニングが困難である。 効率的な教師なしタブ状異常検出のためのランダム化グローバル局所密度推定器 RGLD を提案する。 RGLDは、広範囲に低密度領域のサンプルを識別するグローバルランダム・フィーチャー密度枝と、近隣の観測で弱い支持を受けているサンプルを検出するローカル隣りの枝を組み合わせている。 両方のブランチは特徴タグ付きランダム化ビューで動作し、RGLDは任意の単一の表現に隠された異常なエビデンスを公開することができる。 完全教師なし環境下で, 統計および深部異常検出ベースラインに対して, 47個の表状データセットを用いて実験を行った。 RGLDはデータセットレベルのAUROCパフォーマンスを最強に達成し、データセットの勝利で1位、AUPRCの勝利で2位にランクインした。 RGLDは、すべての評価されたディープ検出器よりも高速で、50x-580xのスピードアップを実現し、実行時の統計手法と競合し、良好な精度と効率のトレードオフをもたらす。

関連論文リスト

• Enhancing Tabular Anomaly Detection via Pseudo-Label-Guided Generation [35.2283498099342]
  擬似ラベル誘導型異常生成法PLAGを提案する。 PLAGが8つの代表ベースラインに対して最先端のパフォーマンスを達成することを示す。 柔軟なフレームワークとして、PLAGは既存の教師なし検出器とシームレスに統合される。
  論文  参考訳（メタデータ） (2026-04-20T13:42:30Z)
• Hierarchical Reference Sets for Robust Unsupervised Detection of Scattered and Clustered Outliers [8.21087649188741]
  クラスタ化された外れ値は、局所密度が比較的高いため、通常の振る舞いと容易に間違えることができる。 本稿では,グラフ構造を用いた自然近傍関係を利用した新しい外乱検出パラダイムを提案する。 提案手法は, クラスタ化異常による干渉を伴わずに, 分散した外れ値の有効認識を可能にする。
  論文  参考訳（メタデータ） (2026-03-13T09:48:20Z)
• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• Isolation-based Spherical Ensemble Representations for Anomaly Detection [60.989157958972356]
  不正検出、ネットワークセキュリティ、ログ監視を対象とするアプリケーションによるデータマイニングと管理において、異常検出は重要なタスクである。 既存の教師なし異常検出手法は、分散仮定の矛盾、計算の非効率性、異なる異常型を扱う難しさなど、基本的な課題に直面している。 Isolation-based Spherical Ensemble Representations (ISER) は, 局所密度特性のプロキシとしてハイパースフィアラジイを用いて, 線形時間と定数空間の複雑さを保ちながら, 既存の分離法を拡張したものである。
  論文  参考訳（メタデータ） (2025-10-15T09:00:05Z)
• Detecting Localized Density Anomalies in Multivariate Data via Coin-Flip Statistics [38.24458888666912]
  本稿では,2つのデータセットを比較する異常検出手法であるEagleEyeを紹介する。 異常は、各点について、隣人の登録ラベルの順序付けられたシーケンスをモデル化することによって検出される。 人工と実世界の両方のデータセットの実験を通して、その効果を実証する。
  論文  参考訳（メタデータ） (2025-03-31T10:20:04Z)
• ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
  ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。 各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
  論文  参考訳（メタデータ） (2024-05-27T02:42:33Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• RoSAS: Deep Semi-Supervised Anomaly Detection with Contamination-Resilient Continuous Supervision [21.393509817509464]
  本稿では, テクスト汚染耐性連続監視信号を考案した, 半教師付き異常検出手法を提案する。 当社のアプローチは、AUC-PRにおいて最先端の競合他社を20%-30%上回っている。
  論文  参考訳（メタデータ） (2023-07-25T04:04:49Z)
• Industrial Anomaly Detection and Localization Using Weakly-Supervised Residual Transformers [44.344548601242444]
  Weakly-supervised RESidual Transformer (WeakREST) という新しいフレームワークを導入し,高い異常検出精度を実現する。 画素単位の異常局所化タスクをブロック単位の分類問題に再構成する。 弱いラベルと残差に基づく表現との相互作用を処理できるResMixMatchアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-06-06T08:19:30Z)
• Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
  航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。 本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。 シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
  論文  参考訳（メタデータ） (2023-05-17T09:37:07Z)
• Unsupervised Learning of Multi-level Structures for Anomaly Detection [16.037822355038443]
  本稿では,グローバル構造を分解して異常データを生成する新しい手法を提案する。 様々なレベルの局所的な異常構造を効果的に露呈することができる。 全てのレベル固有検出器の出力を集約することにより、すべての潜在的な異常を検知できるモデルを得る。
  論文  参考訳（メタデータ） (2021-04-25T08:38:41Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。