論文の概要: Adapting prior-data fitted networks for tabular anomaly detection

• arxiv url: http://arxiv.org/abs/2610.06693v1
• Date: Mon, 05 Oct 2026 16:54:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 23:34:43.539972
• Title: Adapting prior-data fitted networks for tabular anomaly detection
• Title（参考訳）: タブ状異常検出のための事前データ付きネットワークの適応
• Abstract要約: 本稿では,PFN(Predor-data fited network)を適応し,異常検出に活用する方法を検討する。 デプロイ前に異常は発生しないので、モデルのパラメータは監督によって調整できない。 参照セットを使用してモデルを微調整し、結果の正常なサンプルを異常から分離する。
• 参考スコア（独自算出の注目度）: 10.217457305399334
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While deep features have transformed anomaly detection in images and video, their impact on tabular data has been less substantial, partly due to the limited availability of strong deep representations. Recently, prior-data fitted networks (PFNs) have emerged as a promising source of such representations for tabular data. In this work, we investigate how PFN representations can be adapted and leveraged for anomaly detection. The question is harder than it looks. No anomalies are available before deploy- ment, so model parameters cannot be tuned with supervision, and the reference set that defines normal behavior may itself contain the very anomalies it is supposed to reveal. We begin our study using frozen TabPFN features. Scoring each sam- ple by its distance to its nearest neighbors in feature space already gives strong results. We identify which layers to use and a feature-extraction procedure suited to the task. Next, to further improve performance, we use the reference set to fine- tune the model, so that the resulting features better separate normal samples from anomalies. On the ADBench benchmark, our fine-tuning free approach (ZEN) reaches a higher mean AUROC than every baseline, and our fine-tuned method (FOCUS) improves on it further. Our approach also generalizes across PFN models.
• Abstract（参考訳）: ディープな特徴は画像やビデオの異常検出に変化をもたらしたが、その影響は、強力なディープな表現が限られていることもあって、実質的ではなかった。 近年,先行データ対応ネットワーク (PFN) が表型データ表現の有望な情報源として出現している。 本研究では,PFN表現を適応して,異常検出に利用する方法について検討する。 その質問は見た目より難しい。 デプロイ前に異常は発生しないので、モデルパラメータは監視によって調整できない。 凍結したTabPFN機能を用いた研究を開始した。 特徴空間において、各サムプルを最も近い近傍までの距離で Scoring each Sam-ple は、既に強い結果をもたらす。 使用するレイヤとタスクに適した機能抽出手順を識別する。 次に、パフォーマンスをさらに向上するために、参照セットを使用してモデルを微調整する。 ADBenchベンチマークでは、ファインチューニングフリーアプローチ(ZEN)は、すべてのベースラインよりも高い平均AUROCに達し、ファインチューニングメソッド(FOCUS)がさらに改善される。 また,本手法はPFNモデルにまたがって一般化する。

関連論文リスト

• Normality Constraint Learning: Adapting Foundation Models for Time Series Anomaly Detection [40.09081467923584]
  時系列基礎モデル(TSFM)は、事前学習中に大規模時系列から広範囲の時間パターンを再構成または予測することで、強力な一般化を実現する。 TSFMは稀な異常パターンを通常のパターンと同様に効果的にモデル化し、異常を正確に再構成したり予測したりすることができる。 本稿では、$underlinetextbfN$$textbformality$$underlinetextbfC$$textbfonstraint$$$underlinetextbfL$$textbfearni ng$を提案する。
  論文  参考訳（メタデータ） (2026-10-05T14:55:46Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• Don't Miss Out on Novelty: Importance of Novel Features for Deep Anomaly Detection [64.21963650519312]
  異常検出(AD)は、正規性の学習モデルに適合しない観察を識別する重要なタスクである。 本稿では, 入力空間における説明不能な観測として, 説明可能性を用いた新しいAD手法を提案する。 当社のアプローチでは,複数のベンチマークにまたがる新たな最先端性を確立し,さまざまな異常な型を扱う。
  論文  参考訳（メタデータ） (2023-10-01T21:24:05Z)
• Normality Learning-based Graph Anomaly Detection via Multi-Scale Contrastive Learning [61.57383634677747]
  グラフ異常検出(GAD)は、機械学習やデータマイニングにおいて注目を集めている。 本稿では,マルチスケールコントラスト学習ネットワーク(NLGAD,略語)による正規性学習に基づくGADフレームワークを提案する。 特に,提案アルゴリズムは,最先端手法と比較して検出性能(最大5.89%のAUCゲイン)を向上させる。
  論文  参考訳（メタデータ） (2023-09-12T08:06:04Z)
• Beyond Individual Input for Deep Anomaly Detection on Tabular Data [0.0]
  異常検出は、金融、医療、サイバーセキュリティなど、多くの領域において不可欠である。 私たちの知る限りでは、この機能機能とサンプルサンプル依存関係をうまく組み合わせる最初の作業です。 提案手法は,F1スコアとAUROCをそれぞれ2.4%,AUROCを1.2%上回り,最先端性能を実現している。
  論文  参考訳（メタデータ） (2023-05-24T13:13:26Z)
• Normalizing Flows for Human Pose Anomaly Detection [14.540314605022791]
  我々は,人間のポーズの異常検出に問題を蒸留し,その結果に影響を及ぼす外観などのパラメータのリスクを低減させる。 我々のモデルは人間のポーズグラフのシーケンスを直接処理し、非常に軽量(1Kパラメータ)である。 我々は,教師なし上海技術データセットと教師なしUB正規データセットという,2つの異常検出ベンチマークの最先端結果を報告する。
  論文  参考訳（メタデータ） (2022-11-20T11:02:50Z)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• Modeling the Distribution of Normal Data in Pre-Trained Deep Features for Anomaly Detection [2.9864637081333085]
  画像中の異常検出(AD)は、標準からかなり逸脱した画像や画像のサブ構造を特定することを指す。 本研究では,大きな自然画像データセット上での識別モデルにより学習された深い特徴表現が,正規性を記述するのに適していることを示す。
  論文  参考訳（メタデータ） (2020-05-28T16:43:41Z)

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。