論文の概要: When Does Unsupervised Learning Succeed or Fail? A PoS Perspective on Reconstruction-Based Anomaly Detection

• arxiv url: http://arxiv.org/abs/2609.28832v1
• Date: Wed, 23 Sep 2026 22:42:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.597506
• Title: When Does Unsupervised Learning Succeed or Fail? A PoS Perspective on Reconstruction-Based Anomaly Detection
• Title（参考訳）: 教師なし学習はいつ成功するか? : 再構成に基づく異常検出のPoS的視点
• Abstract要約: 再構成に基づく教師なし学習は2つの反対の方法で失敗する。 我々は、これらの障害を、名目成分によって誘導される会合、連合、結合によって特徴づける。 コンパクトな名目連合は、名目忠実な範囲の中で最適であることを示す。
• 参考スコア（独自算出の注目度）: 4.756592335149889
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reconstruction-based unsupervised learning can fail in two opposing ways: a model may reconstruct anomalies too accurately or discard valid nominal variation. Using the Pursuit of Subspaces hypothesis, we characterize these failures through the meet, union, and join geometries induced by the nominal components. Excess learned range produces join blindness, while insufficient capacity produces meet preference and loss of nominal fidelity. We show that the compact nominal union is optimal among nominal faithful ranges and generally requires a nonlinear reconstruction map. Based on this geometry, we introduce Dynamic Push and Pull, which learns from controlled perturbations without anomaly labels, and nested manifold carving, which applies the same principle recursively in latent space. Experiments confirm the predicted changes in latent geometry across every tested Push and Pull configuration. The proposed methods improve reconstruction-based anomaly detection across standard benchmarks and unseen image degradations, while also improving pretrained ECG representations for downstream classification. These results connect reconstruction failures to identifiable geometric conditions and provide practical mechanisms for learning compact representations.
• Abstract（参考訳）: レコンストラクションに基づく教師なし学習は、2つの反対の方法で失敗することがある。 サブスペース仮説の探索を用いて、これらの失敗を、名目成分によって誘導される集合、結合、結合を通じて特徴づける。 学習範囲の過剰は結合盲度を生じさせるが、能力不足は満足度と名目上の忠実さの喪失をもたらす。 コンパクトな名目結合は、名目忠実な範囲の中で最適であり、一般に非線形再構成写像を必要とすることを示す。 この幾何に基づいて、異常ラベルのない制御摂動から学習するDynamic Push and Pullと、潜在空間において同じ原理を再帰的に適用する入れ子付き多様体彫刻を導入する。 試験では、テストされたPushおよびPull設定毎に、潜時幾何学の予測された変更を確認している。 提案手法は,標準ベンチマークによる再構成に基づく異常検出と画像劣化を改善し,下流分類のための事前学習されたECG表現を改善した。 これらの結果は、再構成失敗を同定可能な幾何学的条件に結びつけ、コンパクト表現を学習するための実践的なメカニズムを提供する。

関連論文リスト

• Curved Inference II: Sleeper Agent Geometry - Extending Interpretability Beyond Probes [0.0]
  本稿では,安全訓練を通じて人工バックドアが持続し,99%の精度で線形プローブで検出可能であることを示す,ArthhropicのSleeper Agents研究を拡張した。 人工的なトリガーや教師付きバックドア挿入を使わずに、現実的な偽装推論をシミュレートするマルチターンコンテキストウィンドウを用いた自然主義的手法を提案する。 幾何学的構造は意味分類を確実に予測し、5つのプロンプト戦略と2つのモデルファミリーの面面積に統計的に有意な差がある。
  論文  参考訳（メタデータ） (2026-08-25T03:51:20Z)
• Beyond Decision Boundaries: Relational Geometry Attacks on Contrastive Embedding Manifolds [16.306226464987592]
  我々は,多様体レベルの関係汚職として,対照的なシステムに対する攻撃を再構成する幾何学的対応型敵攻撃フレームワークを導入する。 提案したフレームワークは、正の対を分割することで、埋め込み多様体内の類似性構造を体系的に歪めている。 提案手法は, 正負類似性構造を完全に逆転しながら, 95.4%から38.6%まで精度を低下させることを示した。
  論文  参考訳（メタデータ） (2026-08-10T21:16:03Z)
• The Loss Is Not Enough: Sampling Conditions and Inductive Bias in Contrastive Representation Learning [2.575874871258672]
  多様性条件を定式化する測度理論の枠組みを開発する。 標準のフルサポートvon Mises-Fisher設定が多様性条件の満足度を示すことを示す。 本研究は, 比較表現学習において, サンプリング機構と帰納バイアスがどのように相互作用するかを明らかにするものである。
  論文  参考訳（メタデータ） (2026-06-02T23:08:30Z)
• Simulated Adoption: Decoupling Magnitude and Direction in LLM In-Context Conflict Resolution [3.0242762196828448]
  大規模言語モデル(LLM)は、既存のパラメトリックメモリよりもコンテクスト内での競合情報を優先することが多い。 モデルが「未学習」や内部の真理の大きさを抑えるのではなく、幾何変位のメカニズムを用いていることを示す。
  論文  参考訳（メタデータ） (2026-02-04T06:13:11Z)
• Noise & pattern: identity-anchored Tikhonov regularization for robust structural anomaly detection [58.535473924035365]
  異常検出は自動産業検査において重要な役割を担い、他の均一な視覚パターンの微妙な欠陥や稀な欠陥を識別することを目的としている。 自己教師型オートエンコーダを用いて, 破損した入力の修復を学習する構造的異常検出に取り組む。 構造欠陥を模倣した画像に人工的破壊を注入する汚職モデルを導入する。
  論文  参考訳（メタデータ） (2025-11-10T15:48:50Z)
• Revisiting Reconstruction-based AI-generated Image Detection: A Geometric Perspective [50.83711509908479]
  幾何学的観点からの再構成誤差に対するヤコビアンスペクトル下界の導入について述べる。 再構成多様体上の実画像は非自明な誤差下界を示し、多様体上の生成された画像はゼロに近い誤差を持つことを示す。 本稿では,構造化編集操作を活用することで動的再構成誤差を計算できるReGapを提案する。
  論文  参考訳（メタデータ） (2025-10-29T03:45:03Z)
• Generative Model Inversion Through the Lens of the Manifold Hypothesis [98.37040155914595]
  モデル反転攻撃(MIA)は、訓練されたモデルからクラス表現型サンプルを再構成することを目的としている。 最近の生成的MIAは、生成的敵ネットワークを使用して、反転過程を導く画像の事前学習を行う。
  論文  参考訳（メタデータ） (2025-09-24T14:39:25Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)

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。