論文の概要: CLOE: Christoffel Loss Autoencoder for Anomaly Detection

• arxiv url: http://arxiv.org/abs/2607.20530v1
• Date: Fri, 10 Jul 2026 11:58:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.219882
• Title: CLOE: Christoffel Loss Autoencoder for Anomaly Detection
• Title（参考訳）: CLOE: Christoffel Loss Autoencoder for Anomaly Detection
• Abstract要約: 半教師付き異常検出は、プロセス監視、医療、財務といった様々な分野で重要な役割を果たしている。 CloEは、次元減少のためのオートエンコーダと、潜在空間に応用されたChristoffel関数ベースの検出器を組み合わせた新しい方法である。
• 参考スコア（独自算出の注目度）: 39.51104389161474
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semi-supervised anomaly detection plays a key role in diverse fields such as process monitoring, healthcare, and finance. However, lightweight methods often struggle with high-dimensional data and typically require careful tuning of multiple hyperparameters. Among existing approaches, Christoffel Function--based methods are attractive due to their simplicity, requiring at most a single hyperparameter. They also benefit from a well-established theoretical foundation that yields several interesting results for data science. However, their main limitation is poor scalability to high-dimensional settings. In this paper, we introduce CLOE, a new method that combines an autoencoder for dimensionality reduction with a Christoffel Function--based detector applied in the latent space. To better align representation learning with anomaly detection, we design a novel loss function that leverages the Christoffel Function to guide the autoencoder toward representations that better capture the support of the normal data distribution. We further propose a principled procedure to set the detection threshold and an efficient strategy to tune the single remaining hyperparameter. Experiments on multiple high-dimensional tabular anomaly detection benchmarks demonstrate that CLOE achieves superior performance compared to existing methods, while preserving the lightweight and low-tuning advantages of Christoffel Function--based approaches.
• Abstract（参考訳）: 半教師付き異常検出は、プロセス監視、医療、財務といった様々な分野で重要な役割を果たしている。 しかし、軽量な手法は高次元データに苦しむことが多く、通常は複数のハイパーパラメータを慎重にチューニングする必要がある。 既存のアプローチの中で、Christoffel関数ベースのメソッドは単純さから魅力的であり、少なくとも1つのハイパーパラメータを必要とする。 彼らはまた、データサイエンスにいくつかの興味深い結果をもたらす、しっかりと確立された理論基盤の恩恵を受ける。 しかし、その主な制限はスケーラビリティの低さと高次元設定である。 本稿では,CLOEを提案する。CLOEは,次元減少のためのオートエンコーダと,潜在空間に印加されたChristoffel関数に基づく検出器を組み合わせた新しい手法である。 表現学習と異常検出の整合性を改善するために,Christoffel関数を利用した新しい損失関数を設計し,正規データ分布のサポートをよりよく捉えた表現に向けてオートエンコーダを誘導する。 さらに、検出しきい値を設定するための原則的手順と、残っていた1つのハイパーパラメータをチューニングするための効率的な戦略を提案する。 複数の高次元タブ状異常検出ベンチマークの実験により、CLOEはChristoffel関数ベースのアプローチの軽量で低チューニングの利点を保ちながら、既存の手法よりも優れた性能を発揮することが示された。

関連論文リスト

• Scalable anomaly detection via a univariate Christoffel function [0.810803307814357]
  異常検出は、不正検出、ネットワーク侵入、システム障害診断など、ドメイン間の異常パターンを特定する上で重要な役割を果たす。 近年、最適化に根ざしたChristoffel関数ベースの手法が、ディープラーニングに代わる有望な代替手段として登場した。 本稿では,Christoffel関数に基づく異常検出の次元制限について,その重要な理論的特性を保ちながら検討する。
  論文  参考訳（メタデータ） (2026-06-10T08:03:17Z)
• SMT-AD: a scalable quantum-inspired anomaly detection approach [11.096405723993607]
  量子インスパイアされたテンソルネットワークアルゴリズムは、機械学習タスクの効率的かつ効率的なモデルであることが示されている。 異常検出のための多分解能の重ね合わせからSMT-ADと呼ぶ並列化可能な量子インスピレーション方式を提案する。 クレジットカード取引を含む標準データセットに適用した場合に異常検出を成功させる。
  論文  参考訳（メタデータ） (2026-04-07T02:37:45Z)
• Scalable Bayesian Physics-Informed Kolmogorov-Arnold Networks [2.7253509290710003]
  Kolmogorov-Arnoldネットワーク(KAN)は、パラメータが少ない代替ソリューションを提供する。 そこで我々は,Chebyshev KansとTikhonovアンサンブルKalmanインバージョン(DTEKI)を併用した新しい手法を提案する。 この勾配のない方法は、オーバーフィッティングを効果的に軽減し、数値安定性を高める。
  論文  参考訳（メタデータ） (2025-01-15T00:38:13Z)
• ALoRE: Efficient Visual Adaptation via Aggregating Low Rank Experts [71.91042186338163]
  ALoREは、Kroneckerによって構築された超複素パラメータ化空間をAggregate Low Rank Expertsに再利用する新しいPETL法である。 巧妙な設計のおかげで、ALoREは無視できる余分なパラメータを保持し、凍ったバックボーンに強制的にマージできる。
  論文  参考訳（メタデータ） (2024-12-11T12:31:30Z)
• Global Context Aggregation Network for Lightweight Saliency Detection of Surface Defects [70.48554424894728]
  我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。 まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。 3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
  論文  参考訳（メタデータ） (2023-09-22T06:19:11Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• LafitE: Latent Diffusion Model with Feature Editing for Unsupervised Multi-class Anomaly Detection [12.596635603629725]
  我々は,通常のデータのみにアクセス可能な場合に,複数のクラスに属するオブジェクトから異常を検出する統一モデルを開発した。 まず、生成的アプローチについて検討し、再構成のための潜伏拡散モデルについて検討する。 「拡散モデルの入力特徴空間を修正し、アイデンティティショートカットをさらに緩和する特徴編集戦略を導入する。」
  論文  参考訳（メタデータ） (2023-07-16T14:41:22Z)
• Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
  低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。 既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。 提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
  論文  参考訳（メタデータ） (2023-07-08T15:41:48Z)
• Anomaly Detection with Ensemble of Encoder and Decoder [2.8199078343161266]
  電力網における異常検出は、電力系統に対するサイバー攻撃による異常を検出し、識別することを目的としている。 本稿では,複数のエンコーダとデコーダを用いて正規サンプルのデータ分布をモデル化し,新しい異常検出手法を提案する。 ネットワーク侵入と電力系統データセットの実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-03-11T15:49:29Z)
• An Accelerated Doubly Stochastic Gradient Method with Faster Explicit Model Identification [97.28167655721766]
  本稿では、分散正規化損失最小化問題に対する2倍加速勾配降下法(ADSGD)を提案する。 まず、ADSGDが線形収束率を達成でき、全体的な計算複雑性を低減できることを示す。
  論文  参考訳（メタデータ） (2022-08-11T22:27:22Z)
• 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)

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。