Fugu-MT 論文翻訳(概要): An Insight on Evaluation Metrics Under the Imbalanced Case of Anomaly Detection

論文の概要: An Insight on Evaluation Metrics Under the Imbalanced Case of Anomaly Detection

arxiv url: http://arxiv.org/abs/2607.22286v1
Date: Fri, 24 Jul 2026 13:25:06 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-27 20:58:57.133013
Title: An Insight on Evaluation Metrics Under the Imbalanced Case of Anomaly Detection
Title（参考訳）: 異常検出の不均衡症例における評価基準の検討
Abstract要約: 我々は、計量値と真正および真負の速度を関連付ける計量風景の研究に焦点をあてる。本分析は,不均衡比の異なるデータセット間で異常検出結果の解釈と比較を行うための実用的なガイダンスを提供する。
参考スコア（独自算出の注目度）: 15.306867582514686
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Anomaly detection is inherently characterised by severe class imbalance, making the interpretation of evaluation metrics challenging. Although metrics such as AUROC, AUPR, F1-score, and MCC are widely used, their values convey different meanings depending on the anomaly ratio. In this work, we analyse the behaviour of those four common anomaly detection metrics under varying levels of imbalance. We focus on the study of metric landscapes, visualisations that relate metric values to true positive and true negative rates, providing an intuitive view of metric preferences and stability. Our analysis offers practical guidance for interpreting and comparing anomaly detection results across datasets with different imbalance ratios.
Abstract（参考訳）: 異常検出は本質的に、厳密なクラス不均衡によって特徴づけられ、評価指標の解釈は困難である。 AUROC、AUPR、F1スコア、MCCなどのメトリクスは広く使われているが、それらの値は異常比によって異なる意味を伝達する。本研究では,これらの4つの異常検出指標の挙動を,異なるレベルの不均衡の下で解析する。我々は、計量のランドスケープの研究、計量値と真の正と正の負の比率を関連付ける可視化、計量の選好と安定性の直感的な見方に焦点をあてる。本分析は,不均衡比の異なるデータセット間で異常検出結果の解釈と比較を行うための実用的なガイダンスを提供する。

関連論文リスト

When Fairness Metrics Disagree: Evaluating the Reliability of Demographic Fairness Assessment in Machine Learning [0.0]
機械学習モデルにおける階層バイアスの系統的マルチメトリック分析を行うことにより、公平性評価の整合性を検討する。結果から,評価値の妥当性は指標の選択によって大きく異なっており,モデルバイアスに関する矛盾した結論が得られた。これらの知見は、現在の公正度評価の実践において重要な限界を浮き彫りにしており、信頼性の高いバイアス評価にはシングルメトリックレポートが不十分であることを示唆している。
論文参考訳（メタデータ） (2026-04-16T14:07:37Z)
A Theoretical Framework for Statistical Evaluability of Generative Models [57.9316356505791]
本稿では、生成モデルを評価するための理論的枠組みを導入し、一般的なメトリクスに対する評価結果を確立する。テストベースのメトリクス、例えば積分確率測定(IPM)とレニイ発散(Rényi divergences)の2つのカテゴリについて検討する。任意の有界テストクラスに対するIPMは、乗法および加法近似誤差まで有限標本から評価できることを示す。対照的に、レニイとKLの発散は、希少事象によってその値が批判的に決定されるため、有限標本から評価できない。
論文参考訳（メタデータ） (2026-04-07T01:53:59Z)
A Problem-Oriented Taxonomy of Evaluation Metrics for Time Series Anomaly Detection [11.114573387946498]
時系列異常検出は、IoTやサイバー物理システムで広く使われている。本研究は, 既存のメトリクスを再解釈する問題指向フレームワークを提案する。
論文参考訳（メタデータ） (2025-11-24T04:09:04Z)
Performance of the empirical median for location estimation in heteroscedastic settings [0.0]
我々は、共通だが未知の位置パラメータを共有する独立対称実数値確率変数について考察する。我々は、その推定誤差に基づいて、非漸近的上界と下界のマッチングを導出する。
論文参考訳（メタデータ） (2025-01-28T13:57:54Z)
Exploring the Impact of Outlier Variability on Anomaly Detection Evaluation Metrics [4.943054375935879]
本研究では,異なる条件下で広く使用されている3つの異常検出指標の挙動について検討する。本稿では,これらの指標の従来の理解に挑戦し,様々な条件下でのニュアンスな行動を明らかにする。本研究は、異常検出における計量選択と解釈のより洗練された理解に寄与し、この分野の研究者と実践者の両方に貴重な洞察を提供する。
論文参考訳（メタデータ） (2024-09-24T11:39:09Z)
On Pixel-level Performance Assessment in Anomaly Detection [87.7131059062292]
異常検出法は様々な応用において顕著な成功を収めている。しかし、特にピクセルレベルでのパフォーマンスを評価することは複雑な課題である。本稿では,視覚的エビデンスと統計的分析により,この課題の複雑さを解明する。
論文参考訳（メタデータ） (2023-10-25T08:02:27Z)
BLEURT Has Universal Translations: An Analysis of Automatic Metrics by Minimum Risk Training [64.37683359609308]
本研究では,機械翻訳システムの学習指導の観点から,各種の主流および最先端の自動測定値について分析する。 BLEURT や BARTScore における普遍的逆変換の存在など,ある種の指標は堅牢性欠陥を示す。詳細な分析では、これらのロバスト性障害の主な原因は、トレーニングデータセットにおける分布バイアスと、メートル法パラダイムの傾向である。
論文参考訳（メタデータ） (2023-07-06T16:59:30Z)
Measuring Class-Imbalance Sensitivity of Deterministic Performance Evaluation Metrics [0.8376091455761261]
クラス不均衡に対するメトリクスの感度を定量化する直感的な評価フレームワークを導入する。測定値の感度に対数的挙動があることは、高い不均衡比が測定値の感度の低下と関連していることを意味する。
論文参考訳（メタデータ） (2022-06-20T19:56:33Z)
A Statistical Analysis of Summarization Evaluation Metrics using Resampling Methods [60.04142561088524]
信頼区間は比較的広く,信頼性の高い自動測定値の信頼性に高い不確実性を示す。多くのメトリクスはROUGEよりも統計的改善を示していないが、QAEvalとBERTScoreという2つの最近の研究は、いくつかの評価設定で行われている。
論文参考訳（メタデータ） (2021-03-31T18:28:14Z)
On Disentangled Representations Learned From Correlated Data [59.41587388303554]
相関データに対する最も顕著な絡み合うアプローチの挙動を解析することにより、現実のシナリオにギャップを埋める。本研究では,データセットの体系的相関が学習され,潜在表現に反映されていることを示す。また、トレーニング中の弱い監督や、少数のラベルで事前訓練されたモデルを修正することで、これらの潜伏相関を解消する方法を実証する。
論文参考訳（メタデータ） (2020-06-14T12:47:34Z)
Learning from Aggregate Observations [82.44304647051243]
本研究では,一組のインスタンスに監視信号が与えられる集合観察から学習する問題について検討する。本稿では,多種多様な集合観測に適合する一般的な確率的枠組みを提案する。単純な極大解は様々な微分可能なモデルに適用できる。
論文参考訳（メタデータ） (2020-04-14T06:18:50Z)

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。