論文の概要: A Principled Approach to Unsupervised Anomaly Detection

• arxiv url: http://arxiv.org/abs/2609.21800v1
• Date: Fri, 18 Sep 2026 14:14:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.137039
• Title: A Principled Approach to Unsupervised Anomaly Detection
• Title（参考訳）: 教師なし異常検出の原理的アプローチ
• Abstract要約: 教師なし異常検出(UAD)メソッドは、標準分布からの偏差をフラグまたはローカライズするように設計されている。 我々は,UADをベイズ逆問題として再検討し,それぞれの観測に最も責任のある汚職を推測することを目的とする。 一般的なフレームワークの例として既存のいくつかの手法を導出し、それぞれが異なるモデリング選択の下で同じエネルギースコアに対応する。 我々は,脳MRIベンチマークの枠組みを検証し,病理の強度,バイアス,形状を推定しながら,強い検出性能を達成した。
• 参考スコア（独自算出の注目度）: 20.492630610281655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional unsupervised anomaly detection (UAD) methods are designed to flag or localise deviations from a normative distribution, ignoring the underlying generative mechanisms of the anomalies. Yet the nature of an anomaly is often as important as its presence. We reformulate UAD as a Bayesian inverse problem, in which the objective is to infer the most probable corruption responsible for each observation. Our framework yields a probabilistic anomaly score as the energy of the inferred corruption parameters, and serves as a principled recipe for developing new UAD algorithms. We derive several existing methods as instances of the general framework, each corresponding to the same energy score under different modelling choices. Experimentally, we study the framework's components in a controlled setting, and improve object-class AUROC on the MVTec AD dataset by 2.3% by adapting the underlying corruption model. Finally, we validate the framework on a brain MRI benchmark, achieving strong detection performance while producing estimates of pathology intensity, bias, and geometry. Code is available at https://github.com/jgmyles/inverse-uad.
• Abstract（参考訳）: 従来の教師なし異常検出(UAD)法は、異常の発生機構を無視して、標準分布から偏差をフラグまたはローカライズするように設計されている。 しかし、異常の性質は、しばしばその存在と同じくらい重要である。 我々は,UADをベイズ逆問題として再検討し,それぞれの観測に最も責任のある汚職を推測することを目的とする。 提案手法は,推定汚職パラメータのエネルギーとして確率的異常スコアを導出し,新しいUADアルゴリズムを開発するための原則的レシピとして機能する。 一般的なフレームワークの例として既存のいくつかの手法を導出し、それぞれが異なるモデリング選択の下で同じエネルギースコアに対応する。 本研究では,制御された環境下でのフレームワークのコンポーネントについて検討し,MVTec ADデータセットのオブジェクトクラスAUROCを2.3%改善する。 最後に,脳MRIベンチマークの枠組みを検証し,病理の強度,バイアス,形状を推定しながら,強い検出性能を実現する。 コードはhttps://github.com/jgmyles/inverse-uad.comで入手できる。

関連論文リスト

• Beyond Nodes vs. Edges: A Multi-View Fusion Framework for Provenance-Based Intrusion Detection [6.343815622517112]
  PROVfusionは、証明に基づく侵入検知のための多視点異常融合フレームワークである。 軽量な融合スキームを通じて異種異常信号を融合し、投票ベースの統合プロセスを通じて最終的な異常決定を決定する。 広く使用されている9つのベンチマークエンティティデータセットの実験では、PROVfusionは単一ノードとエッジ中心のベースラインよりも高い検出精度と偽陽性率を実現する。
  論文  参考訳（メタデータ） (2026-04-16T06:40:50Z)
• BenchReAD: A systematic benchmark for retinal anomaly detection [23.15668882564837]
  データとアルゴリズムの観点から総合的かつ体系的な網膜異常検出のためのベンチマークを導入する。 異常の非交叉表現(DRA)を利用した完全教師付きアプローチは、最高の性能を達成できるが、ある異常な異常に遭遇した場合、性能が著しく低下する。 本研究では,一級教師あり学習におけるメモリバンク機構に着想を得て,DRAと通常の特徴記憶を統合して性能劣化を緩和するNFM-DRAを提案する。
  論文  参考訳（メタデータ） (2025-07-14T17:13:08Z)
• Fair Deepfake Detectors Can Generalize [51.21167546843708]
  共同設立者(データ分散とモデルキャパシティ)の制御により,公正な介入による一般化が向上することを示す。 この知見を応用して, 逆正当性重み付けとサブグループワイド特徴正規化を併用し, 新たなアライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・インセンティブ・インターベンション・インベンション・インテクション(DAID)を提案する。 DAIDは、いくつかの最先端技術と比較して、公平性と一般化の両方において一貫して優れた性能を達成する
  論文  参考訳（メタデータ） (2025-07-03T14:10:02Z)
• Examining the Source of Defects from a Mechanical Perspective for 3D Anomaly Detection [29.746752537964582]
  3D-ADタスクのための機械補足型モデルベースフレームワーク(MC4AD)を紹介する。 フレームワークは各点について内部および外部の補正力を生成する。 提案されたMC4ADは理論と実験によって有効であることが証明されている。
  論文  参考訳（メタデータ） (2025-05-09T09:09:08Z)
• Friend or Foe? Harnessing Controllable Overfitting for Anomaly Detection [30.77558600436759]
  オーバーフィッティングは伝統的に異常検出の有害と見なされてきた。 本稿では、オーバーフィッティングを戦略的に活用し、異常識別能力を向上する新しいフレームワークである、制御可能なオーバーフィッティングベースの異常検出(COAD)を紹介する。
  論文  参考訳（メタデータ） (2024-11-30T19:07:16Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• An Iterative Method for Unsupervised Robust Anomaly Detection Under Data Contamination [24.74938110451834]
  ほとんどの深層異常検出モデルは、データセットから正規性を学ぶことに基づいている。 実際、正規性仮定は実データ分布の性質によってしばしば破られる。 このギャップを減らし、より優れた正規性表現を実現するための学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-18T02:36:19Z)

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。