論文の概要: DiFA: Dual Evidence Fusion and Aggregation for Token-Level Text Anomaly Detection

• arxiv url: http://arxiv.org/abs/2609.22136v1
• Date: Mon, 24 Aug 2026 12:28:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.728965
• Title: DiFA: Dual Evidence Fusion and Aggregation for Token-Level Text Anomaly Detection
• Title（参考訳）: DiFA-Dual Evidence Fusion and Aggregation for Token-Level Text Anomaly Detection
• Abstract要約: 本稿では,トークンレベルの異常検出のための適応型フュージョン・アグリゲーション(DiFA)を用いたデュアル・エビデンス・フレームワークを提案する。 DiFAは、目に見える構造的異常と文脈的矛盾を捉えるために、形態的・意味的な視点から異常スコアを導き出す。 さまざまなテキスト異常検出ベンチマークによる実験は、DiFAが常に最高のパフォーマンスを達成していることを示している。
• 参考スコア（独自算出の注目度）: 12.014142108371663
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text anomaly detection, the task of identifying text instances that deviate from normal language patterns, is crucial for language-driven applications. However, most existing methods can only perform document-level anomaly detection, making it hard to locate harmful phrases or support targeted prevention. Recently, there has been an emerging trend toward token-level text anomaly detection, which aims to address the above limitation by identifying anomalous words or fragments within a document. Nevertheless, one representative method mainly relies on representation-space distance measurement, neglecting the complementary roles of different anomaly cues in capturing diverse abnormal patterns. To bridge the gaps, we propose a Dual-evidence framework with adaptive Fusion and Aggregation (DiFA) for token-level anomaly detection. DiFA derives anomaly scores from form-structural and semantic views to capture visible structural abnormality and contextual inconsistency, respectively, thereby providing complementary evidence for identifying diverse anomalies. To combine these two scores with varying numerical scales, DiFA incorporates a calibration and fusion mechanism to adaptively balance the two views. Moreover, to obtain a discriminative document-level score, a multivariate aggregation method is designed to summarize token-level anomaly scores from multiple perspectives, preventing rare anomalous tokens from being diluted. Extensive experiments across various text anomaly detection benchmarks demonstrate that DiFA consistently achieves top performance while maintaining strong efficiency, robustness, and interpretability. The code and scripts are available at: https://github.com/qyy11-com/DiFA.
• Abstract（参考訳）: テキスト異常検出は、通常の言語パターンから逸脱するテキストインスタンスを識別するタスクであり、言語駆動アプリケーションには不可欠である。 しかし,既存の手法では文書レベルの異常検出しか行えないため,有害なフレーズの発見や,標的とする予防支援が困難である。 近年,文書中の異常な単語や断片を識別することで,上記の制限に対処することを目的として,トークンレベルのテキスト異常検出が進んでいる。 それにもかかわらず、1つの代表的手法は主に表現空間距離の測定に依存し、多様な異常パターンを捉える際、異なる異常な手がかりの相補的な役割を無視する。 このギャップを埋めるために,トークンレベルの異常検出のための適応型融合・集約(DiFA)を用いたデュアル・エビデンス・フレームワークを提案する。 DiFAは, 形態的, 意味的視点から異常点を抽出し, 可視的構造的異常と文脈的矛盾を捉え, 多様な異常点を識別する補完的証拠を提供する。 これらの2つのスコアと様々な数値スケールを組み合わせるために、DiFAはキャリブレーションと融合機構を導入し、2つのビューを適応的にバランスさせる。 さらに、識別可能な文書レベルスコアを得るために、複数視点からトークンレベルの異常スコアを要約し、希少な異常トークンの希薄化を防止する多変量集計法を設計する。 さまざまなテキスト異常検出ベンチマークの広範な実験により、DiFAは高い効率、堅牢性、解釈可能性を維持しながら、常にトップパフォーマンスを達成することが示された。 コードとスクリプトは、https://github.com/qyy11-com/DiFA.comで入手できる。

関連論文リスト

• SIM: Subspace Interaction-based Method for Token-Level Text Anomaly Detection [13.685698284457898]
  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。
  論文  参考訳（メタデータ） (2026-09-08T03:38:42Z)
• XMatchAD: A Cross-Modal Matching Perspective on Reconstruction-based Anomaly Detection [30.401044523780723]
  XMatchADは、疑似クロスモーダルマッチングの観点からタスクを再解釈する新しいUADフレームワークである。 提案手法は,マルチクラスの異常検出と局所化において,優れた性能,最先端の手法よりも優れた性能を実現している。
  論文  参考訳（メタデータ） (2026-07-26T13:47:10Z)
• AnomalyAgent: Training-Free Agentic Models for Zero-/Few-Shot Anomaly Detection [43.187781277950386]
  異常検出のためのトレーニング不要なエージェントフレームワークである textbfAnomalyAgent を提案する。 textbf1) は包括的な異常中心のツールセットであり、textbf2) はカスタマイズされたメモリモジュールである。 AnomalyAgent はトレーニング不要な VLM ベースの AD やジェネリックエージェント手法に比べ,性能が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2026-05-28T16:05:42Z)
• 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)
• Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [109.72772150095646]
  FAPromptは、精密なZSADのためのきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。 産業的欠陥と医療的異常の両方をカバーする19の実世界のデータセットの実験は、FAPromptが画像レベルのZSADタスクとピクセルレベルのZSADタスクの両方で最先端の手法を大幅に上回っていることを実証している。
  論文  参考訳（メタデータ） (2024-10-14T08:41:31Z)
• Don't Miss Out on Novelty: Importance of Novel Features for Deep Anomaly Detection [64.21963650519312]
  異常検出(AD)は、正規性の学習モデルに適合しない観察を識別する重要なタスクである。 本稿では, 入力空間における説明不能な観測として, 説明可能性を用いた新しいAD手法を提案する。 当社のアプローチでは,複数のベンチマークにまたがる新たな最先端性を確立し,さまざまな異常な型を扱う。
  論文  参考訳（メタデータ） (2023-10-01T21:24:05Z)
• 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)
• Variation and generality in encoding of syntactic anomaly information in sentence embeddings [7.132368785057315]
  文中の異常が発生する階層レベルが異なる探索タスクを設計することにより、異常符号化の微妙な相違について検討する。 我々は、与えられた異常を検出するモデルだけでなく、検出された異常信号の一般性もテストする。 その結果、全てのモデルが異常検出をサポートする情報を符号化しているが、検出性能は異常毎に異なることが示唆された。
  論文  参考訳（メタデータ） (2021-11-12T10:23:43Z)

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。