論文の概要: Unsupervised Anomaly Detection Using Flow Matching on Tabular Data

• arxiv url: http://arxiv.org/abs/2608.19801v1
• Date: Thu, 20 Aug 2026 08:56:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.515896
• Title: Unsupervised Anomaly Detection Using Flow Matching on Tabular Data
• Title（参考訳）: 語彙データを用いたフローマッチングによる教師なし異常検出
• Abstract要約: 本研究では,TCM(Time-Conditioned Contraction Matching)とフォレストフロー(Forest-Flow)を比較し,汚染されたトレーニングデータに基づくフローマッチングに基づく異常検出について検討した。 以上の結果から,異常スコアの選択が重要であることが示唆された。 これらの知見は, 重度の不均衡下での財務異常検出におけるフローマッチング手法における異常スコアの重要性を浮き彫りにした。
• 参考スコア（独自算出の注目度）: 18.400208887365732
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Financial anomaly detection often relies on large unlabeled transaction logs, where anomalous samples may already be present during training. Such training-set contamination violates the clean-normal data assumption underlying many anomaly detection methods. Although flow matching has demonstrated strong performance in generative modeling, its robustness in unsupervised tabular anomaly detection remains underexplored. In this work, we study flow-matching-based anomaly detection under contaminated training data by comparing Time-Conditioned Contraction Matching (TCCM) with Forest-Flow and evaluating multiple anomaly scoring functions. Our results show that the choice of anomaly score is critical. The original single-step Decision score used by TCCM is sensitive to contamination, whereas trajectory-based Deviation and Reconstruction scores provide more stable anomaly signals. With these scores, Forest-Flow becomes competitive with, and in some cases outperforms, TCCM. These findings highlight the importance of anomaly scoring for flow-matching methods in financial anomaly detection under severe class imbalance.
• Abstract（参考訳）: 金融異常検出は、トレーニング中に既に異常サンプルが存在する可能性のある、大きなラベルのないトランザクションログに依存することが多い。 このようなトレーニングセットの汚染は、多くの異常検出方法の根底にあるクリーン・ノーマルなデータ仮定に反する。 フローマッチングは生成モデルにおいて強い性能を示したが、教師なしの表層異常検出における頑健さは未発見のままである。 本研究では,汚染されたトレーニングデータに基づくフローマッチングに基づく異常検出について,時間制約契約マッチング(TCCM)とフォレストフローを比較し,複数の異常スコア機能を評価する。 以上の結果から,異常スコアの選択が重要であることが示唆された。 TCCMが使用する最初の単段階決定スコアは汚染に敏感であるが、軌道に基づく偏差と再構成スコアはより安定した異常信号を提供する。 こうしたスコアによって、フォレストフローは競争力を持つようになり、場合によってはTCCMよりも優れる。 これらの知見は, 重度の不均衡下での財務異常検出におけるフローマッチング手法における異常スコアの重要性を浮き彫りにした。

関連論文リスト

• Testing the Test: Score-Direction Instability in Class-Split Anomaly Detection [56.362776482614976]
  データセット内のクラス分割評価は、完全に非条件のアウト・オブ・ディストリビューション異常検出のプロキシとして広く利用されている。 このプロトコルは、保持された異常クラスが表現空間の通常の混合と重なり合う場合、悪用される可能性があることを示す。 そこで本研究では,Fashion-MNIST,CIFAR-10,Imagenette間のスコア方向不安定性を予測する。
  論文  参考訳（メタデータ） (2026-05-23T06:27:42Z)
• Multi-Cue Anomaly Detection and Localization under Data Contamination [0.6703429330486276]
  本稿では,適応的偏差学習パラダイムに限定的な異常監視を組み込んだ頑健な異常検出フレームワークを提案する。 本フレームワークは, 各種データ汚染下での強い検出・局所化性能, 解釈可能性, 堅牢性を実現する。
  論文  参考訳（メタデータ） (2026-01-30T12:34:13Z)
• Adaptive Deviation Learning for Visual Anomaly Detection with Data Contamination [20.4008901760593]
  そこで本研究では,偏差学習を応用して,異常スコアをエンドツーエンドに計算する手法を提案する。 提案手法は競合する手法を超越し,データ汚染の存在下での安定性とロバスト性を示す。
  論文  参考訳（メタデータ） (2024-11-14T16:10:15Z)
• MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly Detection [124.52227588930543]
  教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。 不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。 非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。 我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
  論文  参考訳（メタデータ） (2023-08-29T13:38:35Z)
• Anomaly Detection with Score Distribution Discrimination [4.468952886990851]
  本稿では,スコア分布の観点から,異常スコア関数の最適化を提案する。 正常試料と異常試料のスコア分布の重なりを最小化するオーバーラップ損失と呼ばれる新しい損失関数を設計する。
  論文  参考訳（メタデータ） (2023-06-26T03:32:57Z)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• Understanding the Effect of Bias in Deep Anomaly Detection [15.83398707988473]
  異常検出はラベル付き異常データの不足のため、機械学習においてユニークな課題となる。 最近の研究は、追加のラベル付き異常サンプルによる深部異常検出モデルのトレーニングを増強することで、このような問題を緩和しようとするものである。 本稿では,異常検出に対するバイアス付き異常集合の効果を理解することを目的とする。
  論文  参考訳（メタデータ） (2021-05-16T03:55:02Z)
• Toward Deep Supervised Anomaly Detection: Reinforcement Learning from Partially Labeled Anomaly Data [150.9270911031327]
  本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。 既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。 そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-09-15T03:05:39Z)
• Deep Weakly-supervised Anomaly Detection [118.55172352231381]
  ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。 PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。 12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
  論文  参考訳（メタデータ） (2019-10-30T00:40:25Z)

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。