Fugu-MT 論文翻訳(概要): Post-Anomaly Detection Inference for Deep SVDD

論文の概要: Post-Anomaly Detection Inference for Deep SVDD

arxiv url: http://arxiv.org/abs/2609.37935v1
Date: Tue, 29 Sep 2026 16:19:10 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-30 21:28:47.736316
Title: Post-Anomaly Detection Inference for Deep SVDD
Title（参考訳）: 深部SVDDの異常後検出
Abstract要約: PADI(Post-Anomaly Detection Inference)は、訓練された凍結したディープSVDD検出器に統計的に有効な推論を装備する新しいフレームワークである。 PADIは,既存のアプローチに比べて優れた真の正の率を達成しつつ,適切なFPR制御を一貫して達成していることを示す。
参考スコア（独自算出の注目度）: 4.94997283141601
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep Support Vector Data Description (Deep SVDD) has become a prominent framework for unsupervised anomaly detection by learning latent representations that compactly characterize normal data around a center. Despite its empirical success, anomaly decisions produced by Deep SVDD are typically made solely based on anomaly scores without rigorous statistical guarantees, thereby limiting their reliability in safety-critical and high-stakes applications where false positives must be strictly controlled. In this paper, we propose PADI (Post-Anomaly Detection Inference), a novel framework that equips a trained and frozen Deep SVDD detector with statistically valid inference by leveraging the Selective Inference framework. Specifically, PADI performs inference conditional on the event that a test instance is identified as anomalous by Deep SVDD, thereby enabling rigorous statistical assessment of anomaly decisions. Based on this formulation, we derive valid selective p-values that quantify the statistical significance of the detected anomaly. Using these p-values, we theoretically establish control of the false positive rate (FPR) at a user-specified significance level $α$ (e.g., $α=0.05$). Furthermore, we extend the proposed framework to Deep Semi-Supervised Anomaly Detection (Deep SAD), providing a principled approach for statistically reliable inference in semi-supervised anomaly detection settings. Extensive experiments on both synthetic and real-world benchmark datasets robustly support the theoretical findings. The results demonstrate that PADI consistently achieves proper FPR control while attaining superior true positive rates compared with existing approaches.
Abstract（参考訳）: Deep Support Vector Data Description (ディープSVDD) は、センター周辺の通常のデータをコンパクトに特徴付ける潜在表現を学習することによって、教師なしの異常検出のための顕著なフレームワークとなっている。実験的な成功にもかかわらず、ディープSVDDが生み出した異常判定は、厳密な統計的保証のない異常スコアのみに基づいて行われ、偽陽性を厳格に制御しなければならない安全クリティカルで高い評価のアプリケーションにおける信頼性を制限している。本稿では,Selective Inferenceフレームワークを利用して,トレーニング済みかつ凍結したディープSVDD検出器に統計的に有効な推論機能を備えた新しいフレームワークであるPADIを提案する。具体的には、テストインスタンスがDeep SVDDによって異常であると特定された場合に、PADIが推論条件を実行することにより、異常判定の厳密な統計的評価を可能にする。この定式化に基づいて、検出された異常の統計的意義を定量化する有効な選択的なp-値を導出する。これらのp値を用いて、理論的に偽陽性率(FPR)の制御を、ユーザが指定した意味レベル$α$(eg , $α=0.05$)で確立する。さらに,提案手法をDeep Semi-Supervised Anomaly Detection (Deep SAD) に拡張し,半教師付き異常検出設定において統計的に信頼性の高い推論を行う手法を提案する。合成および実世界のベンチマークデータセットの広範な実験は、理論的な発見を強力に支持する。以上の結果から,PADIは既存のアプローチに比べて優れた正の確率を達成しつつ,適切なFPR制御を一貫して達成していることが示された。

関連論文リスト

Towards Accurate Model Selection in Deep Unsupervised Domain Adaptation [86.19492706156304]
深層非教師付きドメイン適応(Deep UDA)メソッドは、ソースドメイン内のリッチなラベル付きデータを利用して、ターゲットドメイン内の関連するがラベルなしデータのパフォーマンスを高める。 Deep UDAの既存のモデル選択方法は、非常に偏りがあり、制限され、不安定で、あるいは議論の余地さえある(ラベル付きターゲットデータを要求する)。適応された特徴表現を検証手順に組み込んだtextitDeep Embedded Validation (textbfDEV) を提案する。
論文参考訳（メタデータ） (2026-06-03T09:45:01Z)
Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
論文参考訳（メタデータ） (2026-04-17T13:27:11Z)
Robust Uncertainty Estimation under Distribution Shift via Difference Reconstruction [2.920726125254978]
深層学習モデルの不確実性を推定することは、医用画像などの高精細な応用において、信頼性の高い意思決定に不可欠である。以前の研究では、入力サンプルと再構成されたバージョンの違いが不確実性の指標となることが確認されている。本研究では、2つの中間層からの入力を再構成し、その出力間の差を不確かさスコアとして測定することにより、この制限を緩和する差分再構成不確実性推定法(DRUE)を提案する。
論文参考訳（メタデータ） (2026-01-27T08:23:00Z)
On the Adversarial Robustness of Learning-based Conformal Novelty Detection [10.58528988397402]
AdaDetect を用いた共形ノベルティ検出の対角的ロバスト性について検討した。以上の結果から,高い検出力を維持しながらFDRを著しく増大させる可能性が示唆された。
論文参考訳（メタデータ） (2025-10-01T03:29:11Z)
Calibrated Prediction Set in Fault Detection with Risk Guarantees via Significance Tests [3.500936878570599]
本稿では,形式的リスク保証を提供するために,コンフォメーション予測フレームワークと重要度テストを統合した新しい故障検出手法を提案する。提案手法は,名目レベル以上の経験的カバレッジ率(1-alpha$)を一貫して達成する。その結果、ユーザ定義のリスクレベル(alpha$)と効率の間のコントロール可能なトレードオフが明らかとなり、より高いリスク耐性が平均予測セットのサイズを小さくする。
論文参考訳（メタデータ） (2025-08-02T05:49:02Z)
COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
論文参考訳（メタデータ） (2025-06-25T07:04:49Z)
Deep evolving semi-supervised anomaly detection [14.027613461156864]
本研究の目的は,連続的半教師付き異常検出(CSAD)のタスクを形式化することである。本稿では,半教師付きデータを扱うための変分オートエンコーダ(VAE)のベースラインモデルを提案する。
論文参考訳（メタデータ） (2024-12-01T15:48:37Z)
FedAD-Bench: A Unified Benchmark for Federated Unsupervised Anomaly Detection in Tabular Data [11.42231457116486]
FedAD-Benchは、フェデレート学習の文脈における教師なし異常検出アルゴリズムを評価するためのベンチマークである。モデル集約の非効率性やメトリクスの不確実性といった重要な課題を特定します。本研究は,フェデレートされた異常検出における今後の研究・開発を導くための標準化されたベンチマークを確立することを目的としている。
論文参考訳（メタデータ） (2024-08-08T13:14:19Z)
Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
論文参考訳（メタデータ） (2023-06-08T07:05:36Z)
Free Lunch for Generating Effective Outlier Supervision [46.37464572099351]
本稿では, ほぼ現実的な外乱監視を実現するための超効率的な手法を提案する。提案したtextttBayesAug は,従来の方式に比べて偽陽性率を 12.50% 以上削減する。
論文参考訳（メタデータ） (2023-01-17T01:46:45Z)
Bayesian autoencoders with uncertainty quantification: Towards trustworthy anomaly detection [78.24964622317634]
本研究では, ベイズオートエンコーダ (BAEs) の定式化により, 全体の異常不確かさを定量化する。不確実性の質を評価するために,不確実性の予測を拒否するオプションを追加して,異常を分類する作業を検討する。本実験は,BAEと総異常不確かさが,ベンチマークデータセットと製造用実データセットのセットに与える影響を実証するものである。
論文参考訳（メタデータ） (2022-02-25T12:20:04Z)

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。