論文の概要: CORE: In-Context Reconstruction for Unified Tabular Anomaly Detection

• arxiv url: http://arxiv.org/abs/2607.27615v1
• Date: Thu, 30 Jul 2026 03:08:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.379353
• Title: CORE: In-Context Reconstruction for Unified Tabular Anomaly Detection
• Title（参考訳）: CORE-In-Context Reconstruction for Unified Tabular Anomaly Detection
• Authors: Yunfeng Zhao, Qingfeng Chen, Yue Tan, Shiyuan Li, Yili Wang, Yixin Liu, Shirui Pan,
• Abstract要約: 統合異常検出(TAD)への新たなトレンドは、単一の一般化可能なモデルを使用して、異なるデータセットにわたる異常を検出することにある。 統合型TAD(CORE for Short)のための文書内再構成手法を提案する。 COREは、TADをコンテキスト内再構成問題として統一し、ラベル付きまたは合成された異常を除去する。
• 参考スコア（独自算出の注目度）: 50.334454857423395
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tabular anomaly detection (TAD), which focuses on identifying abnormal samples that deviate from the majority in tabular data, has received growing attention. Recently, there has been an emerging trend towards unified TAD, which seeks to detect anomalies across different datasets using a single generalizable model. In unified TAD, aligning heterogeneous data remains challenging. While existing methods often rely on distance-based unified feature construction, they may obscure the semantics of the original features. Moreover, existing approaches typically formulate anomaly detection as a binary classification task, which may overlook diverse anomaly patterns from various datasets and be misled by unrepresentative synthetic anomalies. To address these challenges, we propose an in-COntext REconstruction approach for unified TAD (CORE for short). It introduces a decorrelated feature alignment module to directly align heterogeneous features into a unified representation space, which retains their semantic information. Meanwhile, CORE formulates unified TAD as an in-context reconstruction problem, eliminating the need for labeled or synthesized anomalies. Specifically, the in-context reconstruction module reconstructs each sample by leveraging contextual normal samples to capture dataset-specific distributions, such that reconstruction errors reflect its deviation from normality, facilitating unified TAD on arbitrary unseen datasets.
• Abstract（参考訳）: タブラル異常検出(TAD, Tabular Anomaly Detection)は, 表状データの多数から逸脱する異常標本の同定に重点を置いているが, 注目が集まっている。 近年、単一の一般化可能なモデルを用いて、異なるデータセットにわたる異常を検出するため、統一型TADに対する新たなトレンドが生まれている。 統一されたTADでは、異種データの整合は依然として困難である。 既存の手法は、しばしば距離ベースで統一された特徴構造に依存するが、元の特徴のセマンティクスを曖昧にすることができる。 さらに、既存のアプローチは、通常二分分類タスクとして異常検出を定式化し、様々なデータセットから様々な異常パターンを見落とし、表現不能な合成異常によって誤認される可能性がある。 これらの課題に対処するため,統合型TAD(CORE, 略してCORE)のための文書内再構成手法を提案する。 非相関な特徴アライメントモジュールを導入し、不均一な特徴を直接統一された表現空間にアライメントし、セマンティックな情報を保持する。 一方、COREはTADをコンテキスト内再構成問題として統一し、ラベル付きまたは合成された異常を排除している。 特に、コンテキスト内再構成モジュールは、コンテキスト常用サンプルを利用して各サンプルを再構成し、データセット固有の分布をキャプチャする。

関連論文リスト

• Towards Anomaly Detection on Relational Data [51.473064583839296]
  属性とリレーショナルエッジの両方から異常を捕捉する再構成に基づくフレームワークを提案する。 RelADは競争効率を保ちながら、他のベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-06-17T02:36:32Z)
• Learning Unified Representations of Normalcy for Time Series Anomaly Detection [0.0]
  本稿では,新しいフレームワークUnified Unsupervised Anomaly Detection(textU2textAD$)を提案する。 本手法は, スコアベース生成モデルを用いて, 正規サンプルの基盤となるデータ分布を学習する。 実験により,@textU2textAD$は検出精度において現在の最先端メソッドよりも優れるだけでなく,発生のかなり早い段階で異常を識別できることがわかった。
  論文  参考訳（メタデータ） (2026-05-10T18:12:22Z)
• 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)
• Enhancing Anomaly Detection via Generating Diversified and Hard-to-distinguish Synthetic Anomalies [7.021105583098609]
  近年のアプローチでは、通常のサンプルから合成異常を生成するためにドメイン固有の変換や摂動を活用することに重点を置いている。 そこで本研究では,条件付き摂動器と判別器を併用したドメインに依存しない新しい手法を提案する。 我々は,最先端のベンチマークよりも提案手法が優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-16T08:15:23Z)
• Toward Generalist Anomaly Detection via In-context Residual Learning with Few-shot Sample Prompts [25.629973843455495]
  Generalist Anomaly Detection (GAD)は、ターゲットデータにさらなるトレーニングを加えることなく、さまざまなアプリケーションドメインからさまざまなデータセットの異常を検出するために一般化可能な、単一の検出モデルをトレーニングすることを目的としている。 InCTRLと呼ばれるGADのための文脈内残差学習モデルを学習する新しい手法を提案する。 InCTRLは最高のパフォーマーであり、最先端の競合手法を著しく上回っている。
  論文  参考訳（メタデータ） (2024-03-11T08:07:46Z)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)

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。