論文の概要: Anomaly-Free Self-Optimization via AUC Bounds

• arxiv url: http://arxiv.org/abs/2609.27362v1
• Date: Wed, 23 Sep 2026 05:03:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.892681
• Title: Anomaly-Free Self-Optimization via AUC Bounds
• Title（参考訳）: AUC境界による異常のない自己最適化
• Abstract要約: 我々は、ROC曲線(AUC)の下で達成可能な領域上の有界を用いて、候補の有限集合から最適構成を選択する。 アンサンブル重みを最適化し,擬似アノマリースコアに適応する学習可能なスコア再スケーリング機構を導入することで,この枠組みを実証する。 複数のデータセットと埋め込みモデルにまたがる実験により、AUC-boundの最適化は従来のモデル選択とそれ以前の開発セットベースのパラメータ選択よりも大きなパフォーマンス向上を達成することが示された。
• 参考スコア（独自算出の注目度）: 26.964114774872684
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomalies are rare, and anomalous data are often unavailable during development, making it difficult to determine which anomaly detection models and configurations will generalize to unseen anomalies. Recent approaches address this challenge by generating pseudo-anomalies and using bounds on the achievable area under the ROC curve (AUC) to select the optimal configuration from a finite set of candidates. Instead, we use the AUC bound as a differentiable, anomaly-free objective for directly optimizing continuous parameters of anomaly detection systems. We demonstrate this framework by optimizing ensemble weights and introducing a learnable score-rescaling mechanism that adapts pseudo-anomaly scores, enabling optimization beyond a predefined candidate set. Experiments across multiple datasets and embedding models show that AUC-bound optimization achieves significant performance gains over conventional model selection and prior development-set-based parameter selection. The results further show that direct optimization is less sensitive to the choice of pseudo-anomaly construction.
• Abstract（参考訳）: 異常はまれであり、異常データは開発中に利用できないことが多いため、どの異常検出モデルと構成が異常発見に一般化するかを判断することは困難である。 近年のアプローチでは, 擬似アノマリーの生成と, ROC曲線 (AUC) の下で達成可能な領域の境界を用いて, 候補の有限集合から最適構成を選択することで, この問題に対処している。 代わりに、異常検出システムの連続パラメータを直接最適化するために、AUC境界を微分可能で異常のない目的として使用する。 我々は,アンサンブル重みを最適化し,擬似アノマリースコアを適応させる学習可能なスコア再スケーリング機構を導入し,事前定義された候補セットを超えた最適化を実現することにより,この枠組みを実証する。 複数のデータセットと埋め込みモデルにまたがる実験により、AUC-boundの最適化は従来のモデル選択とそれ以前の開発セットベースのパラメータ選択よりも大きなパフォーマンス向上を達成することが示された。 さらに、直接最適化は擬似アノマリー構成の選択に敏感でないことを示す。

関連論文リスト

• Preference Data Selection for Mitigating the Alignment Tax in Large Language Models [52.18310687523229]
  BALIGNは、アライメント効率を最適化しながら破滅的な忘れを緩和するバランスのとれたデータ選択戦略である。 3つの重要なデータ中心の機能を統一された複合リスクスコアに集約することにより、BALIGNは、ハイリスクな選好サンプルを体系的にフィルタリングする。 標準的な人間の嗜好データセットの実験では、BALIGNはアライメントゲインを損なうことなく基礎的能力を強く保持している。
  論文  参考訳（メタデータ） (2026-08-25T07:58:42Z)
• An Evolutionary Algorithm Assisted by an Ensemble of Pareto-Optimal Surrogate Models [21.207177069711857]
  サロゲートモデルのアンサンブルは、サロゲートモデルの予測品質とロバスト性を向上し、サロゲート支援進化アルゴリズム(SAEA)の探索性能を向上させる。 本研究では,パラメータ設定を最適化し,可塑性アンサンブルモデルを自動的に構築する適応アンサンブルSAEAを提案する。 実験により,単目的ベンチマークと実世界の問題集合上での最先端SAEAに対するアルゴリズムの統計的優位性を実証した。
  論文  参考訳（メタデータ） (2026-08-03T06:49:00Z)
• Divergence Minimization Preference Optimization for Diffusion Model Alignment [66.31417479052774]
  Divergence Minimization Preference Optimization (DMPO) は、逆KL分散を最小化して拡散モデルを整列する原理的手法である。 DMPOは、異なるベースモデルとテストセットで既存のテクニックを一貫して上回り、適合させることができる。
  論文  参考訳（メタデータ） (2025-07-10T07:57:30Z)
• Towards Improved Preference Optimization Pipeline: from Data Generation to Budget-Controlled Regularization [14.50339880957898]
  我々は、嗜好データ生成と正規化の訓練技術について、より深く検討することで、嗜好最適化パイプラインの改善を目指している。 選好データ生成のために、ペアワイズ比較信号を用いて完了の選好ランキングを導出する反復的なペアワイズランキング機構を提案する。 正規化のトレーニングでは、LLMが好むサンプルの確率をわずかに減少させると、好みの最適化がよりよく収束する傾向が観察される。
  論文  参考訳（メタデータ） (2024-11-07T23:03:11Z)
• Functional Graphical Models: Structure Enables Offline Data-Driven Optimization [111.28605744661638]
  構造がサンプル効率のよいデータ駆動最適化を実現する方法を示す。 また、FGM構造自体を推定するデータ駆動最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-08T22:33:14Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
  GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。 本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T15:32:59Z)
• On the Sparse DAG Structure Learning Based on Adaptive Lasso [39.31370830038554]
  適応NOTEARS[30]という,事前定義されたしきい値のないデータ駆動型DAG構造学習手法を開発した。 適応型NOTEARSは特定の条件下でのオラクル特性を享受できることを示し, シミュレーションの結果, エッジのギャップをゼロに設定することなく, 提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2022-09-07T05:47:59Z)

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。