論文の概要: SIM: Subspace Interaction-based Method for Token-Level Text Anomaly Detection
- arxiv url: http://arxiv.org/abs/2609.08200v1
- Date: Tue, 08 Sep 2026 03:38:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.568297
- Title: SIM: Subspace Interaction-based Method for Token-Level Text Anomaly Detection
- Title（参考訳）: SIM:Token-Levelテキスト異常検出のためのサブスペースインタラクションに基づく手法
- Abstract要約: トークンレベルのテキスト異常検出は、スパムフィルタリングやフェイクニュース検出など、さまざまな現実世界のアプリケーションにおいて重要な役割を果たす。
トークンレベルのテキスト異常検出のためのサブスペースインタラクションベース手法(SIM)を提案する。
- 参考スコア（独自算出の注目度）: 13.685698284457898
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Token-level text anomaly detection, as an emerging trend of text anomaly detection, moves beyond coarse-grained document-level detection by localizing anomalous tokens within text. By providing fine-grained abnormality prediction, token-level text anomaly detection plays a critical role in various real-world applications, such as spam filtering and fake news detection. However, existing methods still rely on the global distance calculation for scoring, during which the local anomaly signals are severely diluted by numerous redundant normal feature dimensions. Moreover, pre-trained language models used in these methods inevitably smooth out surface anomalies, further limiting their effectiveness in token-level anomaly detection. To address these limitations, we propose a Subspace Interaction-based Method (SIM for short) for token-level text anomaly detection. To prevent local signal dilution, SIM adopts a subspace interaction-based anomaly detector, which decouples high-dimensional token embeddings into multiple low-dimensional ones, amplifying localized anomaly signals hidden within specific dimensions. To counteract the over-smoothing effect, we design a hard pseudo-anomaly generation module to construct pseudo-anomalous tokens, simulating the subtle anomalies obscured by semantic smoothing. Also, a probabilistic boundary loss is developed to standardize anomaly scores into statistical distances, effectively enforcing anomalous instances to deviate significantly from the normal distribution center. Extensive experiments on multiple benchmark datasets verify the effectiveness of SIM and demonstrate its remarkable efficiency, robustness, and interpretability. The source code is available at: https://github.com/yankehan/SIM-TAD.
- Abstract（参考訳）: テキスト異常検出の新たなトレンドであるトークンレベルのテキスト異常検出は、テキスト内の異常トークンをローカライズすることによって、粗粒度ドキュメントレベルの検出を超越する。
きめ細かい異常予測を提供することで、スパムフィルタリングや偽ニュース検出など、さまざまな現実世界のアプリケーションにおいてトークンレベルのテキスト異常検出が重要な役割を果たす。
しかし、既存の手法は、多くの冗長な正常な特徴次元によって局所的な異常信号が著しく希薄になる、スコアのグローバル距離計算に依存している。
さらに、これらの手法で使用される事前訓練された言語モデルは、必然的に表面異常を滑らかにし、トークンレベルの異常検出におけるそれらの有効性を制限している。
これらの制約に対処するため,トークンレベルのテキスト異常検出のためのサブスペースインタラクションベース手法(SIM)を提案する。
局所的な信号の希釈を防ぐため、SIMは部分空間相互作用に基づく異常検出装置を採用し、これは高次元のトークンの埋め込みを複数の低次元のものに分解し、特定の次元内に隠された局所的な異常信号を増幅する。
過度な平滑化効果に対処するため,擬似アノマティックなトークンを構成するハード擬似アノマティック生成モジュールを設計し,セマンティックスムーシングによって隠蔽される微妙な異常をシミュレートする。
また、確率的境界損失が発達し、異常スコアを統計的距離に標準化し、異常インスタンスを正規分布中心から著しく逸脱させる。
複数のベンチマークデータセットに対する大規模な実験は、SIMの有効性を検証し、その顕著な効率性、堅牢性、解釈可能性を示す。
ソースコードは、https://github.com/yankehan/SIM-TAD.comで入手できる。
関連論文リスト
- Enhancing Tabular Anomaly Detection via Pseudo-Label-Guided Generation [35.2283498099342]
擬似ラベル誘導型異常生成法PLAGを提案する。
PLAGが8つの代表ベースラインに対して最先端のパフォーマンスを達成することを示す。
柔軟なフレームワークとして、PLAGは既存の教師なし検出器とシームレスに統合される。
論文 参考訳（メタデータ） (2026-04-20T13:42:30Z) - 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) - Towards Token-Level Text Anomaly Detection [48.821180044375176]
本稿では,テキスト中の異常の微粒化を可能にする新しいパラダイムであるトークンレベルの異常検出手法を提案する。
文書レベルとトークンレベルの両方でテキスト異常を正式に定義し,複数のレベルにまたがる統合検出フレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-20T06:27:09Z) - Adaptive Signal Analysis for Automated Subsurface Defect Detection Using Impact Echo in Concrete Slabs [0.0]
本研究は,コンクリートスラブの地下欠陥発生領域を検出するための,新しい,自動化された,スケーラブルな手法を提案する。
このアプローチは、高度な信号処理、クラスタリング、および視覚分析を統合して、地下の異常を識別する。
結果は方法論の堅牢性を示し、最小限の偽陽性とほとんど欠陥のない欠陥発生領域を一貫して同定した。
論文 参考訳（メタデータ） (2024-12-23T20:05:53Z) - Anomaly Detection of Tabular Data Using LLMs [54.470648484612866]
我々は,事前訓練された大規模言語モデル (LLM) がゼロショットバッチレベルの異常検出器であることを示す。
本稿では,実異常検出におけるLCMの潜在性を明らかにするために,エンドツーエンドの微調整手法を提案する。
論文 参考訳（メタデータ） (2024-06-24T04:17:03Z) - AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。
既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。
本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文 参考訳（メタデータ） (2023-12-10T05:13:40Z) - 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) - Hard-normal Example-aware Template Mutual Matching for Industrial Anomaly Detection [78.734927709231]
異常検出器は、クエリー画像の未知の欠陥を検出し、ローカライズするために工業製造で広く使われている。
これらの検出器は異常のないサンプルで訓練され、ほとんどの通常のサンプルと区別された異常を成功させた。
しかし、ハードノーマルな例は、ほとんどの通常のサンプルから遠く離れており、しばしば既存の方法によって異常と誤認される。
論文 参考訳（メタデータ） (2023-03-28T17:54:56Z) - 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) - Unsupervised Learning of Multi-level Structures for Anomaly Detection [16.037822355038443]
本稿では,グローバル構造を分解して異常データを生成する新しい手法を提案する。
様々なレベルの局所的な異常構造を効果的に露呈することができる。
全てのレベル固有検出器の出力を集約することにより、すべての潜在的な異常を検知できるモデルを得る。
論文 参考訳（メタデータ） (2021-04-25T08:38:41Z) - 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)
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。