論文の概要: Revisiting Energy-based Tabular Anomaly Detection: Energy and Reconstruction are Complementary
- arxiv url: http://arxiv.org/abs/2608.14186v1
- Date: Fri, 14 Aug 2026 11:04:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-17 20:14:29.363976
- Title: Revisiting Energy-based Tabular Anomaly Detection: Energy and Reconstruction are Complementary
- Title（参考訳）: エネルギーベースタブラリ異常検出の再検討:エネルギーと再構築は相補的である
- Abstract要約: タブラル異常検出は古典的な密度プロキシ法、再構成に基づく検出器、現代の非パラメトリックスコアリングによって支配されている。
近年の深層学習におけるEMMの復活により,我々は古典的なDeep Boltzmann Machine (DBM) を再考した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tabular anomaly detection is dominated by classical density-proxy methods (Isolation Forest, OCSVM, LOF), reconstruction-based detectors (Autoencoders, VAEs), and modern non-parametric scorers (COPOD, ECOD, Deep SVDD), all of which approximate the inlier distribution only indirectly; explicit energy-based models are largely absent. Motivated by the recent revival of EBMs in deep learning (e.g., Energy-Based Transformers, JEPA), we revisit the classical Deep Boltzmann Machine (DBM) for this task and hypothesize that its mean-field energy combines more effectively with a reconstruction-based score than same-lineage pairs do. We evaluate a two-hidden-layer DBM on two tabular benchmarks spanning distinct domains (UCI Bank Marketing and NSL-KDD) against eight classical and modern baselines across twenty random seeds. The DBM mean-field energy matches the strongest baseline (the Autoencoder) on Bank Marketing and statistically beats it on NSL-KDD, while significantly outperforming the remaining seven on both datasets. When fused with the Autoencoder via rank fusion, the DBM energy yields a statistically significant improvement on both datasets (AUROC=+0.014, p<0.01 on Bank Marketing; +0.002, p<0.001 on NSL-KDD); every non-DBM-derived base model instead fails to improve or significantly degrades the AE-paired ensemble. Our position is that classical EBMs, exemplified by the DBM, deserve a place in the tabular anomaly detection toolbox as a non-redundant complementary view to the reconstruction-based scores that dominate current practice.
- Abstract（参考訳）: タブラル異常検出は古典的な密度プロキシ法(Isolation Forest, OCSVM, LOF)、再構成に基づく検出器(Autoencoders, VAEs)、現代の非パラメトリックスコア法(COPOD, ECOD, Deep SVDD)で支配されており、これらは全て間接的にのみ不純物分布を近似するものである。
近年の深層学習におけるEMM (Energy-Based Transformers, JEPA) の復活により,我々は従来のDeep Boltzmann Machine (DBM) を再考し,その平均場エネルギーが,同系よりも効率的に再構成ベースのスコアと結合すると仮定した。
我々は,異なるドメイン(UCI Bank Marketing と NSL-KDD)にまたがる2つの表型ベンチマークにおいて,20個のランダムシードにまたがる8つの古典的および近代的ベースラインに対して2つの階層DBMを評価した。
DBM平均電界エネルギーはバンク・マーケティングにおける最強のベースライン(オートエンコーダ)と一致し、統計学的にNSL-KDDを上回り、残りの7つは両方のデータセットで大幅に上回っている。
ランク融合によりオートエンコーダと融合すると、DBMエネルギーは両方のデータセット(AUROC=+0.014, p<0.01, +0.002, p<0.001, NSL-KDD)に対して統計的に有意な改善をもたらす。
我々の立場は、DBMで実証された古典的EMMは、現在主流となっている再建ベースのスコアに対する非冗長な補完的視点として、表の異常検出ツールボックスにふさわしいことである。
関連論文リスト
- Cross-Domain Industrial Fault Detection by Causal Mechanism Monitoring [6.350348168407884]
産業システムにおける教師なし故障検出は, 復元に基づく手法が支配している。
CMR-Mambaは、カップリングフォールト検出に対する解釈可能で一貫して競合するアプローチを提供する。
論文 参考訳（メタデータ） (2026-08-01T14:58:15Z) - Energy-Aware NECO for Single-Pass Pixel-wise Out-of-Distribution Detection in Semantic Segmentation [0.6067121326839308]
セマンティックセグメンテーションのための単一パス画素単位のアウト・オブ・ディストリビューション検出器であるEnergy-Aware NECOを提案する。
この方法は、デコーダの特徴から計算された中心となるNECOスタイルの幾何比と、ロジットベースのエネルギスコアを組み合わせる。
提案したハイブリッドスコアは0.8539でNECOのみ(0.8280)、エネルギーのみ(0.8171)、アンサンブル予測エントロピーベースライン(0.8124)を上回っている。
論文 参考訳（メタデータ） (2026-05-28T11:19:46Z) - 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) - SERSEM: Selective Entropy-Weighted Scoring for Membership Inference in Code Language Models [1.327416973220814]
記憶信号の増幅のために非形式的統語的ボイラプレートを抑える新しいホワイトボックス攻撃フレームワークであるSERSEMを提案する。
以上の結果から,人間中心の符号化異常に注目することは,列レベルの確率平均よりも格段に頑健な暗記の指標となることが示唆された。
論文 参考訳（メタデータ） (2026-04-01T17:03:58Z) - TokaMark: A Comprehensive Benchmark for MAST Tokamak Plasma Models [56.94569090844015]
TokaMarkは、Mega Ampere Spherical Tokamak (MAST)から収集された実実験データに基づいてAIモデルを評価するための構造化ベンチマークである。
TokaMarkは、データ駆動型AIベースのプラズマモデリングの進歩を加速することを目的としている。
論文 参考訳（メタデータ） (2026-02-05T16:49:44Z) - A Diffusive Classification Loss for Learning Energy-based Generative Models [27.078167178968076]
DiffCLF(Diffusive Classification, DiffCLF)は, 計算効率を保ちながら視力の低下を回避する簡易な手法である。
解析的ガウス混合の場合, 推定エネルギーを地中真理と比較することにより, DiffCLFの有効性を検証した。
以上の結果から,DiffCLFは既存手法よりも忠実度が高く,適用性も広いEMMを実現することが示唆された。
論文 参考訳（メタデータ） (2026-01-28T20:37:53Z) - DiffBreak: Is Diffusion-Based Purification Robust? [20.15955997832192]
拡散型浄化(DBP)は敵例(AE)に対する防御基盤となっている
我々はこの中核的な主張を反論し、勾配に基づく攻撃が勾配よりもDMを効果的に狙うことを理論的に証明し、DBPの出力は敵の分布と一致させる。
適切な会計基準と再提出リスクにより,DBPは崩壊することを示す。
論文 参考訳（メタデータ） (2024-11-25T17:30:32Z) - Energy-guided Entropic Neural Optimal Transport [100.20553612296024]
エネルギーベースのモデル(EBM)は、機械学習コミュニティで数十年にわたって知られている。
EBMとEntropy-regularized OTのギャップを埋める。
実際に,玩具2Dおよび画像領域における適用性を検証する。
論文 参考訳（メタデータ） (2023-04-12T18:20:58Z) - Guiding Energy-based Models via Contrastive Latent Variables [81.68492940158436]
エネルギーベースモデル(EBM)は、明示的な密度とアーキテクチャの柔軟性の両方を提供する一般的な生成フレームワークである。
EBMとGANのような生成フレームワークの間には、世代品質の点で大きなギャップがあることが多い。
コントラスト表現学習によるESM改善のための新しい効果的なフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-06T10:50:25Z) - Mitigating Out-of-Distribution Data Density Overestimation in
Energy-Based Models [54.06799491319278]
深部エネルギーベースモデル(EBM)は、複雑な分布を学習する能力によって注目されている。
EBMの訓練には、Langevin Monte Carlo (LMC) を用いた最大推定(MLE)を用いることが多い。
短周期LCCのMLEが, 誤った密度推定でEMMに収束する理由を考察する。
論文 参考訳（メタデータ） (2022-05-30T02:49:17Z) - Energy-Based Reranking: Improving Neural Machine Translation Using
Energy-Based Models [59.039592890187144]
自己回帰型ニューラルネットワーク翻訳(NMT)における最大推定(MLE)とBLEUスコアなどのタスク尺度の相違について検討する。
MLEベースのトレーニングされたNMTから引き出されたサンプルは、所望の分布をサポートします。ビーム復号出力と比較して、BLEUスコアがはるかに高いサンプルがあります。
目的文の辺縁エネルギーモデルと、目的文の辺縁エネルギーモデルの両方を用いてアルゴリズムを改良する。
論文 参考訳（メタデータ） (2020-09-20T02:50:52Z) - Stochastic Security: Adversarial Defense Using Long-Run Dynamics of
Energy-Based Models [82.03536496686763]
敵対的攻撃に対するディープ・ネットワークの脆弱性は、認識とセキュリティの両方の観点から、ディープ・ラーニングの中心的な問題である。
我々は,自然学習型分類器の保護に重点を置き,マルコフ・チェイン・モンテカルロ (MCMC) とエネルギーベースモデル (EBM) を併用して敵の浄化を行った。
本研究は,1)現実的な長期MCMCサンプルを用いたEMMの訓練方法の改善,2)防衛の理論的曖昧さを解消する期待・オフバー・トランスフォーメーション(EOT)ディフェンス,3)自然に訓練された分類器と競争的ディフェンスのための最先端の対人ディフェンス,である。
論文 参考訳（メタデータ） (2020-05-27T17:53:36Z)
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。