論文の概要: Robust Zero-shot Anomaly Detection under Limited Auxiliary Anomaly Priors

• arxiv url: http://arxiv.org/abs/2606.29428v1
• Date: Sun, 28 Jun 2026 14:44:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.910097
• Title: Robust Zero-shot Anomaly Detection under Limited Auxiliary Anomaly Priors
• Title（参考訳）: 限られた補助異常下でのロバストゼロショット異常検出
• Abstract要約: 本研究は、限られた補助的異常のシナリオを調査するための最初のアプローチであるDIVEを紹介する。 DIVEは、補助的なトレーニングドメインと多様なターゲットドメイン間で共有される一般的な異常の概念を抽象化することを学ぶ。 実験により、補助データ中の限られた異常パターンの設定下において、DIVEはSOTAベースラインより優れていることが示された。
• 参考スコア（独自算出の注目度）: 10.175293570409684
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Zero-shot anomaly detection aims to identify defects in arbitrary novel domains; however, existing models assume that the auxiliary data contains a rich diversity of anomalies, neglecting the far more complex and unpredictable variations in real-world target domains. This study introduces DIVE, the first approach to investigate the scenario of limited auxiliary anomaly priors and resolve the resulting substantial performance degradation. Through a shallow-and-deep text embedding injection strategy during visual encoding, DIVE learns to abstract generic anomaly concepts shared across the auxiliary training domain and diverse target domains. Moreover, we propose a disentanglement mechanism to tackle the suboptimal alignment between visual embeddings entangled with object semantics and object-agnostic textual prompts. Experiments demonstrate that, under the setting of limited anomaly patterns in auxiliary data, DIVE outperforms SOTA baselines by up to 16.2% and 28.5% on two classification metrics, and 23.4%, 24.1%, and 47.0% on three segmentation metrics, in terms of average performance across twelve datasets. Furthermore, it maintains highly competitive performance when auxiliary data exhibits sufficient anomaly diversity.
• Abstract（参考訳）: ゼロショット異常検出は、任意の新規ドメインの欠陥を特定することを目的としているが、既存のモデルでは、補助データには、より複雑で予測不可能な実際のターゲットドメインのバリエーションを無視した、豊富な異常を含むと仮定している。 本研究は,限られた補助異常のシナリオを調査し,結果として生じる性能劣化を解決するための最初のアプローチであるDIVEを紹介する。 ビジュアルエンコーディング中の浅層および深層テキスト埋め込みインジェクション戦略を通じて、DIVEは補助的なトレーニングドメインと多様なターゲットドメイン間で共有される一般的な異常概念を抽象化することを学ぶ。 さらに,オブジェクト意味とオブジェクト非依存のテキストプロンプトに絡み合った視覚的埋め込みの最適部分アライメントに対処するアンタングル化機構を提案する。 実験により、補助データにおける限られた異常パターンの設定の下で、DIVEは2つの分類基準で最大16.2%、28.5%のSOTAベースライン、23.4%、24.1%、47.0%の3つのセグメンテーション指標で、12つのデータセットの平均パフォーマンスにおいて、SOTAベースラインを上回っている。 さらに、補助データが十分な異常多様性を示す場合、高い競争性能を維持する。

関連論文リスト

• An LLM-based Two-Stage Transformer Framework for Cross-Domain Bearing Fault Diagnosis with Limited Data [8.873742283817137]
  ベアリングフォールト診断は、データセットの不均一性、動作条件の変化、ラベル付きデータとの同時実行において重要な課題に直面している。 本稿では,軽量GPT-2型トランスを用いた知識誘導型2段階移動学習フレームワークを提案する。 一般化可能な表現のための多元的学習、ターゲット適応のためのプロトタイプベースの知識変調、分類順応的分類による双対シフト問題に対処する。
  論文  参考訳（メタデータ） (2026-06-23T11:46:07Z)
• Towards One-for-All Anomaly Detection for Tabular Data [87.63505963517512]
  タブラル異常検出(TAD)は多くの実世界の応用において重要である。 複数のソースデータセットに対して1回のトレーニングのみを必要とするフレームワークであるOFA-TADを提案する。 14ドメインの34のデータセットに対する実験により、OFA-TADはより優れた異常検出性能が得られることが示された。
  論文  参考訳（メタデータ） (2026-03-15T14:42:05Z)
• Evaluating Anomaly Detectors for Simulated Highly Imbalanced Industrial Classification Problems [1.376408511310322]
  本稿では,問題に依存しないシミュレーションデータセットを用いて,異常検出アルゴリズムの総合評価を行う。 異常率0.05%から20%、トレーニングサイズ10000から10000のトレーニングデータセットにわたって14の検出器をベンチマークする。 以上の結果から,最高の検出器はトレーニングデータセットの欠陥例の総数に大きく依存していることが判明した。
  論文  参考訳（メタデータ） (2025-12-07T03:49:54Z)
• Exploring Generalized Gait Recognition: Reducing Redundancy and Noise within Indoor and Outdoor Datasets [24.242460774158463]
  一般化歩行認識は、多様な領域にわたる堅牢なパフォーマンスを実現することを目的としている。 混合データセットトレーニングは一般化を高めるために広く利用されている。 クロスドメイン歩行認識を体系的に改善する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-21T06:46:09Z)
• CICADA: Cross-Domain Interpretable Coding for Anomaly Detection and Adaptation in Multivariate Time Series [24.307819352969037]
  CICADA(Cross-domain Interpretable Coding for Anomaly Detection and Adaptation)を4つの重要なイノベーションとともに紹介する。 CICADAは、高い柔軟性と解釈可能性を備えたドメインに依存しない異常特徴をキャプチャする。 合成および実世界の産業データセットに関する試行は、CICADAがクロスドメイン検出性能と解釈可能性の両方において最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2025-05-01T09:26:40Z)
• A Dataset for Semantic Segmentation in the Presence of Unknowns [49.795683850385956]
  既存のデータセットは、既知のものや未知のもののみの評価を可能にするが、両方ではない。 乱雑な実環境からの多様な異常な入力を特徴とする,新しい異常セグメンテーションデータセットISSUを提案する。 データセットは、既存の異常セグメンテーションデータセットの2倍大きい。
  論文  参考訳（メタデータ） (2025-03-28T10:31:01Z)
• Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
  異常検出は産業アプリケーションの品質管理において重要な役割を担っている。 既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。 提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
  論文  参考訳（メタデータ） (2025-03-19T05:25:52Z)
• 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)
• MADAv2: Advanced Multi-Anchor Based Active Domain Adaptation Segmentation [98.09845149258972]
  セマンティックセグメンテーションタスクに関するドメイン適応を支援するために,アクティブなサンプル選択を導入する。 これらのサンプルを手動でアノテートする作業量が少ないため、ターゲット領域分布の歪みを効果的に緩和することができる。 長期分布問題を緩和するために、強力な半教師付きドメイン適応戦略を提案する。
  論文  参考訳（メタデータ） (2023-01-18T07:55:22Z)
• ESAD: End-to-end Deep Semi-supervised Anomaly Detection [85.81138474858197]
  正規データと異常データの間のKL偏差を計測する新たな目的関数を提案する。 提案手法は,複数のベンチマークデータセットの最先端性能を著しく上回っている。
  論文  参考訳（メタデータ） (2020-12-09T08:16:35Z)

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。