論文の概要: ReFP-AD: Rectified Flow Preconditioning for Energy-Based Anomaly Detection

• arxiv url: http://arxiv.org/abs/2608.01793v1
• Date: Mon, 03 Aug 2026 07:03:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.36698
• Title: ReFP-AD: Rectified Flow Preconditioning for Energy-Based Anomaly Detection
• Title（参考訳）: ReFP-AD:Rectified Flow Preconditioning for Energy-based Anomaly Detection (特集:バイオサイバネティックスとバイオサイバネティックス)
• Abstract要約: 統一された異常検出には、異常なサンプルにアクセスすることなく、高度に異質な正規データをモデル化する必要がある。 本稿では,ReFP-AD(Rectified Flow Preconditioning for Anomaly Detection)を提案する。 厳格な統一プロトコルの下では、ReFP-ADはMVTec-AD上で98.6%/97.9%のImage/Pixel AUROC、VisAで97.3%/99.0%を獲得し、画像AUROCにおいて、以前の統一されたEBMベースラインを+10.8%上回っている。
• 参考スコア（独自算出の注目度）: 5.928947106987821
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unified anomaly detection requires modeling highly heterogeneous normal data without access to anomalous samples. While foundation models like DINOv2 provide rich token representations, leveraging these spaces for explicit density estimation remains challenging. Energy-Based Models (EBMs) offer a principled formulation, but their training in high-dimensional token spaces is unstable due to anisotropy and strong cross-dimensional correlations, which degrades finite-step Markov Chain Monte Carlo (MCMC) sampling. We identify this instability as fundamentally geometric and introduce ReFP-AD (Rectified Flow Preconditioning for Anomaly Detection), which learns a geometric reparameterization that maps high-dimensional embeddings into a well-conditioned latent space via an optimal transport (OT)-coupled rectified flow. This preconditioning enables stable persistent contrastive divergence with preconditioned Stochastic Gradient Langevin Dynamics (SGLD) in full-dimensional token spaces. Anomaly scores are then derived from the learned energy landscape using gradient norms. Under a strict unified protocol on the MVTec-AD and VisA datasets, ReFP-AD achieves 98.6%/97.9% Image/Pixel AUROC on MVTec-AD and 97.3%/99.0% on VisA, outperforming prior unified EBM baselines by up to +10.8% in Image AUROC. Ablation experiments demonstrate that geometric reparameterization is critical for finite-step MCMC and accurate anomaly localization in high-dimensional token spaces. Code is available at https://github.com/CLendering/ReFP-AD
• Abstract（参考訳）: 統一された異常検出には、異常なサンプルにアクセスすることなく、高度に異質な正規データをモデル化する必要がある。 DINOv2のような基礎モデルは豊富なトークン表現を提供するが、これらの空間を明示的な密度推定に活用することは依然として困難である。 エネルギーベースモデル(EBMs)は、原理的な定式化を提供するが、高次元トークン空間でのトレーニングは、異方性と強いクロス次元相関により不安定であり、有限ステップのマルコフ・チェイン・モンテカルロ(MCMC)サンプリングを劣化させる。 この不安定性は基本的に幾何学的であり,ReFP-AD(Rectified Flow Preconditioning for Anomaly Detection)を導入している。 このプレコンディショニングにより、SGLD(Stochastic Gradient Langevin Dynamics)を全次元トークン空間に固定した安定なコントラスト分散が可能となる。 異常スコアは、勾配ノルムを用いて学習されたエネルギーランドスケープから導かれる。 MVTec-ADとVisAデータセットの厳格な統一プロトコルの下で、ReFP-ADはMVTec-ADで98.6%/97.9%のImage/Pixel AUROC、VisAで97.3%/99.0%を獲得し、画像AUROCで最大10.8%の事前統一EBMベースラインを上回っている。 アブレーション実験により、幾何再パラメータ化は有限ステップMCMCと高次元トークン空間における正確な異常局在にとって重要であることが示された。 コードはhttps://github.com/CLendering/ReFP-ADで入手できる。

関連論文リスト

• A Mean-Field Analysis of Multi-Head Self-Attention under Cross-Entropy Training [0.0]
  本稿では,クロスエントロピー最小化により学習した単一層因果多頭部自己注意モデルの平均場理論について述べる。 無限の上限において、平均的な注意ログは確率測度上のリスク関数を定義し、その最初の変動は非線形ワッサーシュタイン勾配流方程式を生成する。 我々は,PDEの長期的挙動について検討する:エネルギー散逸,コンパクト性の下での定常集合への収束,トポロジカルあるいはクルディカ-オジャシエヴィチ仮定の下での1つの定常測度への収束,勾配支配条件下での明示的な収束率。
  論文  参考訳（メタデータ） (2026-06-09T06:38:27Z)
• High-Dimensional Latents Should Be Diagnosed Through Phase Structure [56.362776482614976]
  スピングラス理論のレンズによるオートエンコーダと変分オートエンコーダの潜在空間について検討した。 固定復号器用の潜時空間スピングラス辞書を定式化する。 トポロジカルな自明化機構のエッジ・オブ・ステイティに向けて潜伏系を駆動することは、下流に具体的な結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2026-05-23T06:17:23Z)
• Diffusion Graph Posterior Sampling for Nonlinear Inverse Problems with Application to Electrical Impedance Tomography [4.444502855364884]
  本稿では,グラフ構造化サンプリング(DPS)データを拡張した新しいフレームワークを提案する。 我々は2次元三角形メッシュ上で無条件のスコアベース拡散モデルを構築した。 また、明示的な正規化項を含む正規化変項Sも導入する。
  論文  参考訳（メタデータ） (2026-05-19T09:57:10Z)
• MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
  連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。 ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
  論文  参考訳（メタデータ） (2026-05-18T01:52:12Z)
• A Mean Curvature Approach to Boundary Detection: Geometric Insights for Unsupervised Learning [52.452902154360565]
  本稿では,幾何学的機械学習に基づく新しい幾何学的フレームワークであるMean Curvature Boundary Points (MCBP)を紹介する。 MCBPはデータ多様体の固有曲率を明示的にモデル化し、原理化された多様体のパラメトリゼーションを必要としない点平均曲率を計算する。 合成および実世界のデータセットの実験により、MCBPはクラスタリング性能を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-05-05T20:19:09Z)
• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• On Procrustes Contamination in Machine Learning Applications of Geometric Morphometrics [0.0]
  Geometric morphometrics (GMM) は形状変化の定量化に広く用いられ、最近では機械学習(ML)解析の入力として使われている。 標準のプラクティスは、データをトレーニングとテストセットに分割する前に、すべての標本を一般化プロクリスト分析(GPA)を介して整列させる。 ここでは、制御された2次元および3次元シミュレーションを用いて、GPAによる汚染の影響を正式に特徴づける。
  論文  参考訳（メタデータ） (2026-01-26T12:56:23Z)
• Latent Object Permanence: Topological Phase Transitions, Free-Energy Principles, and Renormalization Group Flows in Deep Transformer Manifolds [0.5729426778193398]
  幾何学的および統計的物理レンズを用いた深部変圧器言語モデルにおける多段階推論の出現について検討する。 我々は、フォワードパスを離散粗粒度写像として形式化し、安定な「概念盆地」の出現と、この再正規化のような力学の固定点を関連付ける。 結果として生じる低エントロピー状態は、スペクトルテール崩壊と、表現空間における過渡的で再利用可能なオブジェクトのような構造の形成によって特徴づけられる。
  論文  参考訳（メタデータ） (2026-01-16T23:11:02Z)
• Conditional Korhunen-Lo\'{e}ve regression model with Basis Adaptation for high-dimensional problems: uncertainty quantification and inverse modeling [62.997667081978825]
  本稿では,物理系の観測可能な応答のサロゲートモデルの精度を向上させる手法を提案する。 本研究では,定常水理応答のBasis Adaptation (BA)法による代理モデル構築に提案手法を適用した。
  論文  参考訳（メタデータ） (2023-07-05T18:14:38Z)
• Orthogonal Matrix Retrieval with Spatial Consensus for 3D Unknown-View Tomography [58.60249163402822]
  未知視トモグラフィ(UVT)は、未知のランダムな向きで2次元投影から3次元密度マップを再構成する。 提案したOMRはより堅牢で、従来の最先端のOMRアプローチよりも大幅に性能が向上している。
  論文  参考訳（メタデータ） (2022-07-06T21:40:59Z)
• Bayesian Sparse learning with preconditioned stochastic gradient MCMC and its applications [5.660384137948734]
  提案アルゴリズムは, 温和な条件下で, 制御可能なバイアスで正しい分布に収束する。 提案アルゴリズムは, 温和な条件下で, 制御可能なバイアスで正しい分布に収束可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-29T20:57:20Z)

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。