論文の概要: Interpretable Multi-Hypersphere Deep Anomaly Detection for Open-set Supervised Anomaly Detection

• arxiv url: http://arxiv.org/abs/2609.23008v1
• Date: Sat, 19 Sep 2026 13:12:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.646649
• Title: Interpretable Multi-Hypersphere Deep Anomaly Detection for Open-set Supervised Anomaly Detection
• Title（参考訳）: 開集合監督型異常検出のための解釈可能な多面体深部異常検出
• Abstract要約: マルチクラスオープンセット異常検出では、複数のサブディストリビューションによって形成される通常の受容領域を特徴付けるモデルが必要となる。 既存の単一ハイパースフィア法では、クラス固有の位置と受容範囲を明示的に表現することはできない。 解釈可能な多球形深部異常検出(IMHD-AD)を提案する。
• 参考スコア（独自算出の注目度）: 5.857300873654342
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-class open-set anomaly detection requires a model to characterize the normal acceptance domain formed by multiple heterogeneous subdistributions using only class-labeled samples from known normal classes, and to identify previously unseen anomalies at test time. Existing single-hypersphere methods cannot explicitly represent class-specific locations and acceptance ranges, while current multi-hypersphere or multi-class approaches do not fully integrate inter-class boundary constraints, learnable acceptance ranges, and interpretable decisions. To address these limitations, we propose Interpretable Multi-Hypersphere Deep Anomaly Detection (IMHD-AD). IMHD-AD constructs an independent hypersphere for each known normal class in a shared feature space. With target-inside and non-target-outside constraints, IMHD-AD embeds the class-specific hypersphere centers and radii directly into the final network layer and jointly optimizes them with the shared representation. The minimum signed boundary score across hyperspheres simultaneously determines open-set acceptance or rejection and provides a faithful geometric explanation of each decision. On MNIST, Fashion-MNIST, and CIFAR-10, IMHD-AD achieves the highest AUC in 28 of 30 open-set comparisons. A two-dimensional synthetic study further shows that model architecture must balance the compactness of known normal classes against the separability of unknown anomalies.
• Abstract（参考訳）: マルチクラスオープンセット異常検出では、既知の正規クラスからのクラスラベル付きサンプルのみを使用して、複数の異種サブディストリビューションによって形成される通常の受け入れドメインを特徴付けるモデルが必要であり、テスト時に未確認の異常を識別する必要がある。 既存のシングルハイパースフィア法では、クラス固有の位置と受容範囲を明示的に表現することはできないが、現在のマルチハイパースフィアやマルチクラスアプローチでは、クラス間境界制約、学習可能な受容範囲、解釈可能な決定を完全に統合していない。 これらの制約に対処するため,IMHD-AD(Interpretable Multi-Hypersphere Deep Anomaly Detection)を提案する。 IMHD-ADは、共有特徴空間において、既知の正規クラスごとに独立な超球面を構成する。 ターゲット・インサイドと非ターゲット・アウトサイドの制約により、IMHD-ADはクラス固有のハイパースフィア・センターとラジイを直接最終ネットワーク層に埋め込み、共有表現でそれらを共同で最適化する。 超球面上の最小符号付き境界スコアは、開集合の受け入れまたは拒絶を同時に決定し、各決定の忠実な幾何学的説明を提供する。 MNIST、Fashion-MNIST、CIFAR-10では、IMHD-ADは30個のオープンセット比較のうち28個のAUCを達成している。 二次元合成研究により、モデルアーキテクチャは既知の正規クラスのコンパクトさと未知の異常の分離性とのバランスをとらなければならないことが示された。

関連論文リスト

• ArcAD: Anomaly-Rectified Calibration for Cold-Start Supervised Anomaly Detection [23.87414535139114]
  Anomaly-Rectified Cold-start AD (ArcAD)は、再構成ベースのIADベースラインのためのプラグアンドプレイキャリブレーションフレームワークである。 コールドスタート条件下では,ArcADは単一クラスおよび複数クラスの設定において,最先端の教師付きおよび教師なしの手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-07-02T14:43:21Z)
• SphereVAD: Training-Free Video Anomaly Detection via Geodesic Inference on the Unit Hypersphere [90.85001795656633]
  ビデオ異常検出(VAD)は、トリミングされていない監視ビデオの通常のパターンから逸脱するイベントを自動的に識別することを目的としている。 SphereVADはトレーニング不要でゼロショットのVADフレームワークで、単位超球面上の準比測地線推定をvon Mises-Fisher (vMF) と再放送する。
  論文  参考訳（メタデータ） (2026-05-08T16:57:38Z)
• Towards One-for-All Anomaly Detection for Tabular Data [87.63505963517512]
  タブラル異常検出(TAD)は多くの実世界の応用において重要である。 複数のソースデータセットに対して1回のトレーニングのみを必要とするフレームワークであるOFA-TADを提案する。 14ドメインの34のデータセットに対する実験により、OFA-TADはより優れた異常検出性能が得られることが示された。
  論文  参考訳（メタデータ） (2026-03-15T14:42:05Z)
• Learning Discriminative and Generalizable Anomaly Detector for Dynamic Graph with Limited Supervision [31.57563937222115]
  動的グラフ異常検出(DGAD)は、多くの実世界のアプリケーションにとって重要であるが、ラベル付き異常が不足しているため、依然として困難である。 本稿では,3つの主要コンポーネントを持つ有効で一般化可能な,モデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-23T16:25:35Z)
• ABounD: Adversarial Boundary-Driven Few-Shot Learning for Multi-Class Anomaly Detection [24.691181948844136]
  ABversaounDは、マルチクラス異常検出のためのAdrial Boundary-Driven few-shot Learningフレームワークである。 意味論的概念学習と意思決定境界形成を統合している。 MVTec-ADとVisAデータセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-11-27T13:18:22Z)
• Unified Unsupervised Anomaly Detection via Matching Cost Filtering [113.43366521994396]
  教師なし異常検出(UAD)は、通常のトレーニングデータのみを用いて画像レベルの異常と画素レベルの異常を識別することを目的としている。 UADモデルの異常コスト量を補正するための汎用的なポストホック精錬フレームワークであるUnified Cost Filtering (UCF) を提案する。
  論文  参考訳（メタデータ） (2025-10-03T03:28:18Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• Absolute-Unified Multi-Class Anomaly Detection via Class-Agnostic Distribution Alignment [27.375917265177847]
  教師なし異常検出(UAD)メソッドは、各オブジェクトカテゴリごとに別々のモデルを構築する。 近年の研究では、複数のクラス、すなわちモデル統一 UAD に対する統一モデルのトレーニングが提案されている。 我々は,クラス情報,すなわちtextitabsolute-unified UADを使わずに,マルチクラス異常検出に対処する,シンプルかつ強力な手法を提案する。
  論文  参考訳（メタデータ） (2024-03-31T15:50:52Z)

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。