論文の概要: When Identical Rows Disagree: From Benchmark Identifiability to Replication-Robust Anomaly Detection
- arxiv url: http://arxiv.org/abs/2609.29580v1
- Date: Thu, 27 Aug 2026 07:43:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:56.07937
- Title: When Identical Rows Disagree: From Benchmark Identifiability to Replication-Robust Anomaly Detection
- Title（参考訳）: Identical Rows Disagree: Benchmark Identifiability から Replication-Robust Anomaly Detection まで
- Abstract要約: 解放されたテーブルは、しばしばi.i.d.サンプルとして扱われるが、その繰り返しの行は、ビジネスの頻度、繰り返しのエンティティ、結合、再サンプリング、またはエラーの抽出を符号化する。
特徴識別行は達成された評価天井を課し, 行重み付きAUROCは複製に敏感であり, 行重み付き検出器は乗法則を学習する。
- 参考スコア（独自算出の注目度）: 2.5273986395975476
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A released table is often treated as an i.i.d. sample, although its repeated rows may encode business frequency, repeated entities, joins, resampling, or extraction errors. We show that this ambiguity creates a hidden measurement layer with three consequences: feature-identical rows impose an attained evaluation ceiling, row-weighted AUROC is sensitive to replication, and row-trained detectors learn a multiplicity-size-biased law. An exact-row audit of all 690 OddBench datasets finds train-test overlap in 355, feature-identical label conflict in 147, and a test anomaly identical to a training normal in 137. Switching from row to support weighting changes AUROC by at least 0.05 on 50-61 datasets across four classical detector geometries. We introduce SCOUT (Support-Count Orthogonalized Unsupervised Testing), a factorized anomaly detector that separates replication-invariant support evidence from exposure-aware count evidence. Factorwise split-conformal calibration yields marginal false-positive-rate control, while the support channel is exactly invariant to arbitrary positive row replication. On 686 OddBench datasets and five seeds, support-only SCOUT is non-inferior to row-wise Isolation Forest in raw AUROC and improves replication-invariant AUROC. External normal-support evaluations track nominal false-positive levels, and four backbones remain exactly unchanged under controlled replication. Semi-synthetic interventions show that conditional count modeling helps materially only under strong rate heterogeneity. These results specify when multiplicity should be treated as signal, nuisance, or uninterpretable without additional information.
- Abstract（参考訳）: 解放されたテーブルは、しばしばi.i.d.サンプルとして扱われるが、その繰り返しの行は、ビジネスの頻度、繰り返しのエンティティ、結合、再サンプリング、またはエラーの抽出を符号化する。
特徴識別行は達成された評価天井を課し、行重み付きAUROCは複製に敏感であり、行重み付き検出器は多重度偏りの法則を学習する。
690 OddBenchデータセットの正確な監査では、355では列車-テストの重複、147では特徴-識別ラベルの衝突、137では訓練正常と同一の試験異常が見つかった。
行から行に切り替えて重み付けをサポートするAUROCは、4つの古典的な検出器で50-61のデータセットで0.05以上変更される。
SCOUT (Support-Count Orthogonalized Unsupervised Testing) は, 複製不変性支持証拠と露出対応カウント証拠とを分離する因子化異常検出器である。
因子分割等角キャリブレーションは、任意の正の行複製に完全に不変であるのに対して、端的な偽正のレート制御をもたらす。
686 OddBenchデータセットと5つの種子では、SCOUTは生のAUROCの行ワイド・アイソレーション・フォレストとは非競合であり、複製不変のAUROCを改善している。
外部の正常支持評価は、名目上の偽陽性レベルを追跡し、4つのバックボーンは、制御された複製の下で正確に変化しない。
半合成的介入は、条件付きカウントモデリングが、強い速度の不均一性の下でのみ有効であることを示している。
これらの結果は、乗法が追加情報なしで信号、ニュアンス、解釈不能として扱われるべきかどうかを規定する。
関連論文リスト
- Differentiable Interval Bottlenecks for Interpretable Anomaly Detection in Numerical Data [0.5213778368155993]
DIFFINTは、遅延ボトルネックがソフトな軸方向のインターバルメンバシップのセットとして構成されるオートエンコーダである。
統計的にタイトされた7つの方法のリードクラスターの中で唯一の解釈可能な検出器である。
論文 参考訳（メタデータ） (2026-09-03T14:05:27Z) - CORE: In-Context Reconstruction for Unified Tabular Anomaly Detection [50.334454857423395]
統合異常検出(TAD)への新たなトレンドは、単一の一般化可能なモデルを使用して、異なるデータセットにわたる異常を検出することにある。
統合型TAD(CORE for Short)のための文書内再構成手法を提案する。
COREは、TADをコンテキスト内再構成問題として統一し、ラベル付きまたは合成された異常を除去する。
論文 参考訳（メタデータ） (2026-07-30T03:08:49Z) - Towards Anomaly Detection on Relational Data [51.473064583839296]
属性とリレーショナルエッジの両方から異常を捕捉する再構成に基づくフレームワークを提案する。
RelADは競争効率を保ちながら、他のベースラインを一貫して上回ります。
論文 参考訳（メタデータ） (2026-06-17T02:36:32Z) - Many Circuits, One Mechanism: Input Variation and Evaluation Granularity in Circuit Discovery [49.50794188352666]
回路間の構造的差異は、異なる機構の十分な証拠ではないことを示す。
標準評価は、このパターンを曖昧にし、エッジレベル評価は、構造から機能への多対一マッピングを明らかにする。
論文 参考訳（メタデータ） (2026-06-04T15:10:14Z) - Testing the Test: Score-Direction Instability in Class-Split Anomaly Detection [56.362776482614976]
データセット内のクラス分割評価は、完全に非条件のアウト・オブ・ディストリビューション異常検出のプロキシとして広く利用されている。
このプロトコルは、保持された異常クラスが表現空間の通常の混合と重なり合う場合、悪用される可能性があることを示す。
そこで本研究では,Fashion-MNIST,CIFAR-10,Imagenette間のスコア方向不安定性を予測する。
論文 参考訳（メタデータ） (2026-05-23T06:27:42Z) - Beyond the Fold: Quantifying Split-Level Noise and the Case for Leave-One-Dataset-Out AU Evaluation [1.7159330469510958]
クロスバリデーション自体が測定可能な分散をもたらすことを示す。
BP4D+では、3倍の主成分排他的分割を繰り返して、平均F1で平均0.065ドルという経験的なノイズフロアを生成する。
さらに、5つのAUデータセットにわたるLeave-One-Dataset-Outプロトコルを用いて、データセット間のロバスト性を評価する。
論文 参考訳（メタデータ） (2026-04-02T15:28:55Z) - Multi-Agent Debate: A Unified Agentic Framework for Tabular Anomaly Detection [7.807411603618987]
マルチエージェント議論フレームワーク(MAD)は、不一致を第一級信号として扱う。
MADは、大言語モデル(LLM)ベースの批評家によって強化された正規化された異常スコア、信頼性、構造化された証拠を生成する。
コンフォメーションキャリブレーションが議論されたスコアをラップして、交換可能性の下で偽陽性を制御する方法を示す。
論文 参考訳（メタデータ） (2026-02-15T17:44:32Z) - LEFT: Learnable Fusion of Tri-view Tokens for Unsupervised Time Series Anomaly Detection [53.191369031661885]
教師なし時系列異常検出は、アノテーションの可用性を前提とせず、異常なタイムスタンプを識別するモデルを構築することを目的としている。
本稿では,非教師付きTSADフレームワークであるLearnable Fusion of Tri-view Tokens(LEFT)について述べる。
実世界のベンチマーク実験では、LEFTはSOTAベースラインに対して最高の検出精度を示し、FLOPの5倍、トレーニングの8倍のスピードアップを実現している。
論文 参考訳（メタデータ） (2026-02-09T13:33:49Z) - CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。
エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。
CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
論文 参考訳（メタデータ） (2025-12-22T16:34:21Z) - User-Based Sequential Modeling with Transformer Encoders for Insider Threat Detection [0.005755004576310333]
インサイダー脅威検出は、悪意のあるアクターの認定状態のために、ユニークな課題を提示する。
既存の機械学習メソッドは、ユーザアクティビティを独立したイベントとして扱うため、ユーザの振る舞いにおけるシーケンシャルな依存関係を活用できない。
本稿では,ユーザベースシーケンス法(UBS)手法を提案し,CERTインサイダー脅威データセットを深い逐次モデリングに適した構造化時間列に変換する。
論文 参考訳（メタデータ） (2025-06-30T00:47:31Z)
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。