論文の概要: Differentiable Interval Bottlenecks for Interpretable Anomaly Detection in Numerical Data

• arxiv url: http://arxiv.org/abs/2609.03878v1
• Date: Thu, 03 Sep 2026 14:05:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:39.097167
• Title: Differentiable Interval Bottlenecks for Interpretable Anomaly Detection in Numerical Data
• Title（参考訳）: 数値データにおける解釈可能な異常検出のための微分可能なインターバルボトルネック
• Abstract要約: DIFFINTは、遅延ボトルネックがソフトな軸方向のインターバルメンバシップのセットとして構成されるオートエンコーダである。 統計的にタイトされた7つの方法のリードクラスターの中で唯一の解釈可能な検出器である。
• 参考スコア（独自算出の注目度）: 0.5213778368155993
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reconstruction-based anomaly detectors are accurate but opaque: a deep autoencoder flags a sample without telling a practitioner which feature ranges made it anomalous. We propose DIFFINT, an autoencoder whose latent bottleneck is structured as a set of soft, axis-aligned interval memberships learned end-to-end directly from raw numerical data, without any discretization or binarization. Each latent unit corresponds to a human-readable hyper-rectangle in feature space; an instance is encoded by how strongly it falls inside each interval relative to the other units, and its reconstruction error is the anomaly score. This keeps the power of differentiable representation learning while exposing an inspectable internal structure. We make the inductive bias precise: a certified reconstruction-error lower bound for points that fall outside every active coordinate of the learned support (with a Lipschitz-enforced decoder), and a graded, empirically verified suppression mechanism for the usual case in which only a few features are abnormal; and we provide a closed-form, label-free importance that ranks each (unit, feature) pair from quantities the model already maintains, turning trained intervals into auditable candidate constraints without ever seeing an anomaly label. On 48 ADBench benchmarks against 22 baselines under a common [-1, 1]-normalized protocol, DIFFINT attains the best mean rank overall on both metrics (4.10 on ROC-AUC, 4.16 on AUPR); among inlier-only detectors it leads its regime clearly, and it is competitive with the strongest contaminated-data detectors (see the stratified and complete-case analyses). It is the only interpretable detector in the statistically-tied leading cluster of seven methods.
• Abstract（参考訳）: ディープオートエンコーダがサンプルにフラグを付けると、どの範囲が異常になったかを専門家に知らせることなく、サンプルをフラグ付けます。 離散化やバイナライゼーションを伴わずに、生の数値データから直接学習したソフトな軸整列間隔のメンバシップの集合として、潜在ボトルネックが構造化された自動エンコーダであるDIFFINTを提案する。 各潜伏単位は特徴空間における可読性ハイパー矩形に対応し、インスタンスは、他の単位に対して各間隔内でどれだけ強く落ちるかによって符号化され、その再構成誤差は異常スコアである。 これにより、検査可能な内部構造を公開しながら、識別可能な表現学習のパワーを保ちます。 リプシッツ強化デコーダを装着した)学習支援のアクティブ座標の外側に落下する点に対する認証された再構成誤差を低くし、いくつかの特徴が異常な通常の場合に対して、段階的に検証された抑制機構を具体化し、モデルが維持している量から各(単位、特徴)ペアをランク付けし、訓練された間隔を異常なラベルを見ることなく、聴取可能な候補制約に変換する。 共通の[-1, 1]-正規化プロトコルの下で、48のADBenchベンチマークにおいて、DIFFINTは両方の指標(ROC-AUCでは4.10、AUPRでは4.16)で総合的に最高のランクに達している。 統計的にタイトされた7つの方法のリードクラスターの中で唯一の解釈可能な検出器である。

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)
• CORE: Robust Out-of-Distribution Detection via Confidence and Orthogonal Residual Scoring [9.25889614321249]
  ディープラーニングモデルを確実にデプロイするためには、アウト・オブ・ディストリビューション(OOD)検出が不可欠である。 本研究では,各部分空間を独立にスコアリングして2つの信号をアンタングル化し,それらを正規化和で結合するCOREを提案する。 COREは5つのアーキテクチャと5つのベンチマーク構成で、競争力や最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-18T21:23:54Z)
• Hierarchical Reference Sets for Robust Unsupervised Detection of Scattered and Clustered Outliers [8.21087649188741]
  クラスタ化された外れ値は、局所密度が比較的高いため、通常の振る舞いと容易に間違えることができる。 本稿では,グラフ構造を用いた自然近傍関係を利用した新しい外乱検出パラダイムを提案する。 提案手法は, クラスタ化異常による干渉を伴わずに, 分散した外れ値の有効認識を可能にする。
  論文  参考訳（メタデータ） (2026-03-13T09:48:20Z)
• Universal Transformation of One-Class Classifiers for Unsupervised Anomaly Detection [51.73001988341294]
  異常検出は通常、一級分類問題として定式化される。 本稿では,任意の1クラス分類器に基づく異常検出器を,完全に教師なしの手法に変換するデータセット折り畳み方式を提案する。
  論文  参考訳（メタデータ） (2026-02-13T16:54:12Z)
• Noise & pattern: identity-anchored Tikhonov regularization for robust structural anomaly detection [58.535473924035365]
  異常検出は自動産業検査において重要な役割を担い、他の均一な視覚パターンの微妙な欠陥や稀な欠陥を識別することを目的としている。 自己教師型オートエンコーダを用いて, 破損した入力の修復を学習する構造的異常検出に取り組む。 構造欠陥を模倣した画像に人工的破壊を注入する汚職モデルを導入する。
  論文  参考訳（メタデータ） (2025-11-10T15:48:50Z)
• FUN-AD: Fully Unsupervised Learning for Anomaly Detection with Noisy Training Data [1.0650780147044159]
  ラベルなしおよび潜在的に汚染されたトレーニングデータを用いた完全教師なし異常検出のための新しい学習ベースアプローチを提案する。 本手法は, 2つの観測結果から, 正常試料間の対特徴距離が, 異常試料や異種試料間の対特徴距離よりも平均的に小さい可能性が示唆され, 互いに近接する2つの特徴対が等質な対である可能性が示唆された。 本研究は, 近接する近傍距離が信頼度の高いサンプルと異常を区別できることを示す最初の観測結果に基づいて, 反復的に再構成されたメモリバンクを用いた擬似ラベル方式を提案する。
  論文  参考訳（メタデータ） (2024-11-25T05:51:38Z)
• GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
  GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。 本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。 提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
  論文  参考訳（メタデータ） (2024-07-17T09:27:41Z)
• RoSAS: Deep Semi-Supervised Anomaly Detection with Contamination-Resilient Continuous Supervision [21.393509817509464]
  本稿では, テクスト汚染耐性連続監視信号を考案した, 半教師付き異常検出手法を提案する。 当社のアプローチは、AUC-PRにおいて最先端の競合他社を20%-30%上回っている。
  論文  参考訳（メタデータ） (2023-07-25T04:04:49Z)
• Mitigating the Mutual Error Amplification for Semi-Supervised Object Detection [92.52505195585925]
  擬似ラベルの修正機構を導入し,相互誤りの増幅を緩和するクロス・インストラクション(CT)手法を提案する。 他の検出器からの予測を直接擬似ラベルとして扱う既存の相互指導法とは対照的に,我々はラベル修正モジュール(LRM)を提案する。
  論文  参考訳（メタデータ） (2022-01-26T03:34:57Z)
• ESAD: End-to-end Deep Semi-supervised Anomaly Detection [85.81138474858197]
  正規データと異常データの間のKL偏差を計測する新たな目的関数を提案する。 提案手法は,複数のベンチマークデータセットの最先端性能を著しく上回っている。
  論文  参考訳（メタデータ） (2020-12-09T08:16:35Z)

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。