論文の概要: TaskBridge: Bridging Unsupervised Tabular Anomaly Detection and In-Context Learning via Virtual Tasks
- arxiv url: http://arxiv.org/abs/2609.36968v1
- Date: Tue, 29 Sep 2026 08:05:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.310662
- Title: TaskBridge: Bridging Unsupervised Tabular Anomaly Detection and In-Context Learning via Virtual Tasks
- Title（参考訳）: TaskBridge: 仮想タスクによる教師なしタブラル異常検出とコンテキスト内学習のブリッジ
- Abstract要約: 本稿では,教師なし異常検出のために,事前学習された汎用TFMを効率的に再利用するTaskBridgeを紹介する。
その結果、仮想タスクは、通常のクエリとそのターゲットペアが高いサポートを受ける予測構造を誘導する。
790以上の実世界のデータセットにおいて、TaskBridgeは一貫して30のベースラインを上回っている。
- 参考スコア（独自算出の注目度）: 8.795723755279493
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised tabular anomaly detection (TAD) aims to identify anomalous rows in tabular data using normal training samples. While conventional methods rely on dataset-specific training and configuration search, recent tabular foundation models (TFMs) enable zero-shot anomaly detection on unseen datasets via in-context learning. Most TFM-based approaches, however, require anomaly-specific pretraining from scratch, making detection inherently dependent on synthetic TAD-specific priors and costly to update. Some approaches instead repurpose pretrained general-purpose TFMs for TAD to avoid this burden, but rely on computationally expensive formulations with restrictive anomaly inductive biases. In this work, we introduce TaskBridge, a new framework that efficiently repurposes pretrained general-purpose TFMs for unsupervised TAD by constructing virtual supervised tasks that directly recast anomaly detection as supervised in-context inference of TFMs. The resulting virtual tasks induce predictive structures under which normal queries and their target pairs receive high support, whereas anomalies tend to violate the induced structures and receive lower support, providing direct anomaly evidence. Across 790 real-world datasets, TaskBridge consistently outperforms 30 baselines, including state-of-the-art TFM-based approaches, without anomaly-specific TFM pretraining or dataset-specific model optimization.
- Abstract（参考訳）: 教師なし表状異常検出(TAD)は,正常なトレーニングサンプルを用いて表状データの異常行を特定することを目的としている。
従来の手法はデータセット固有のトレーニングと設定検索に依存しているが、最近の表層基盤モデル(TFM)は、コンテキスト内学習を通じて見えないデータセットのゼロショット異常検出を可能にする。
しかし、ほとんどの TFM ベースのアプローチは、スクラッチから異常に特異的な事前訓練を必要とするため、検出は合成 TAD 固有の先行に本質的に依存しており、更新にはコストがかかる。
代わりに、この負担を避けるためにTADのために事前訓練された汎用TFMを再利用するアプローチもあるが、制限的な帰納バイアスを持つ計算に高価な定式化に依存している。
本研究では,非教師付きTADのための訓練済み汎用TFMを効率的に再利用する新しいフレームワークであるTaskBridgeを紹介し,TFMの教師付きインコンテキスト推論として,異常検出を直接リキャストする仮想教師付きタスクを構築した。
結果として生じる仮想タスクは、通常のクエリとそのターゲットペアが高いサポートを受ける予測構造を誘導する一方、異常は誘導された構造に違反し、低いサポートを受ける傾向にあり、直接的な異常証拠を提供する。
790以上の実世界のデータセットに対して、TaskBridgeは、異常固有のFM事前トレーニングやデータセット固有のモデル最適化なしで、最先端のFMベースのアプローチを含む30のベースラインを一貫して上回ります。
関連論文リスト
- 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) - When Normality Shifts: Risk-Aware Test-Time Adaptation for Unsupervised Tabular Anomaly Detection [10.496488689480097]
教師なしタブラル異常検出のためのリスク対応テスト時間適応法を提案する。
トレーニング中、コラボレーティブなデュアルタスク学習は、複数レベルの表現をキャプチャして、堅牢な正規化を前もって確立する。
テスト中、Test-Time Contrastive Learningモジュールはモデルを選択的に更新することで、適応リスクを明示的に説明する。
論文 参考訳（メタデータ） (2026-05-11T09:16:25Z) - ICLAD: In-Context Learning for Unified Tabular Anomaly Detection Across Supervision Regimes [8.150109591980108]
ICLADは、データセットと監督体制の両方にわたって一般化する、コンテキスト内学習モデルである。
本手法は,3つの監督体制をまたいだ最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2026-03-19T21:49:04Z) - 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) - TACTIC for Navigating the Unknown: Tabular Anomaly deteCTion via In-Context inference [0.0]
インコンテキスト学習は、タスク固有の最適化から大規模事前学習へと取り組みを移す新しいパラダイムとして登場した。
本稿では,異常検出のためのコンテキスト内モデルについて検討し,TabPFNの教師なし拡張が不安定な動作を示すことを示す。
本稿では,異常中心の合成前駆体を用いた事前学習に基づくコンテキスト内異常検出手法であるTACTICを紹介する。
論文 参考訳（メタデータ） (2026-03-15T01:06:24Z) - Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。
意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。
10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
論文 参考訳（メタデータ） (2025-11-10T12:10:05Z) - Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。
本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
論文 参考訳（メタデータ） (2024-01-06T07:30:41Z) - Generating and Reweighting Dense Contrastive Patterns for Unsupervised
Anomaly Detection [59.34318192698142]
我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。
PatchDiffは、様々な種類の異常パターンを効果的に公開する。
MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
論文 参考訳（メタデータ） (2023-12-26T07:08:06Z) - Beyond Individual Input for Deep Anomaly Detection on Tabular Data [0.0]
異常検出は、金融、医療、サイバーセキュリティなど、多くの領域において不可欠である。
私たちの知る限りでは、この機能機能とサンプルサンプル依存関係をうまく組み合わせる最初の作業です。
提案手法は,F1スコアとAUROCをそれぞれ2.4%,AUROCを1.2%上回り,最先端性能を実現している。
論文 参考訳（メタデータ） (2023-05-24T13:13:26Z)
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。