論文の概要: RIFT: Relative Isolation From Trees For Anomaly Detection

• arxiv url: http://arxiv.org/abs/2610.12244v1
• Date: Thu, 08 Oct 2026 16:22:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.162048
• Title: RIFT: Relative Isolation From Trees For Anomaly Detection
• Title（参考訳）: RIFT: 異常検出のための木からの相対的分離
• Abstract要約: アイソレーションフォレスト(IF)は、教師なしの異常検出のための広く使われているベースラインである。 この公式の幾何学的解釈に着想を得て,決定論的異常検出法であるRIFTを導入する。 合成データとADBenchベンチマークの実験は、精度がIFに匹敵することを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Isolation Forest (IF) is a widely used baseline for unsupervised anomaly detection. Recent studies provide a closed-form expression for the infinite-forest limit for one-dimensional data. Inspired by the geometric interpretation of this formula, we introduce RIFT (Relative Isolation From Trees), a deterministic anomaly detection method that generates the minimum spanning tree and scores each point by the sum of the apparent sizes of tree edges as viewed from that point. For one-dimensional data, the RIFT score recovers the closed-form IF limit exactly. In higher dimensions, it provides a parameter-free generalization that is deterministic, robust to varying density and clustered anomalies and avoids the axis-parallel artifacts of IF. We further propose an ensemble variant for large datasets. Experiments on synthetic data and the ADBench benchmark demonstrate that the accuracy is comparable to IF, while the ensemble variant exhibits significantly lower variance across random seeds.
• Abstract（参考訳）: アイソレーションフォレスト(IF)は、教師なしの異常検出のための広く使われているベースラインである。 最近の研究では、一次元データに対する無限フォレスト極限に対する閉形式表現が提供されている。 この公式の幾何学的解釈にインスパイアされたRIFT(Relative isolated from Trees)は,最小スパンニング木を生成する決定論的異常検出法であり,その点から見れば,各点をツリーエッジの見かけの大きさの和でスコアする。 一次元データの場合、RIFTスコアは閉形式IF制限を正確に回復する。 より高次元において、パラメータフリーな一般化を提供するが、これは決定論的であり、様々な密度とクラスタ化された異常に対して頑健であり、IFの軸パラレルアーティファクトを避ける。 さらに,大規模なデータセットに対するアンサンブル変種を提案する。 合成データとADBenchベンチマークの実験では、精度がIFに匹敵することを示した。

関連論文リスト

• 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)
• Tree Ensemble Explainability through the Hoeffding Functional Decomposition and TreeHFD Algorithm [2.242085086643166]
  データサンプルからツリーアンサンブルのHoeffding分解を推定するために、TreeHFDアルゴリズムを導入する。 TreeHFDの高性能化は、シミュレーションデータと実データの両方の実験を通して実証される。
  論文  参考訳（メタデータ） (2025-10-28T09:49:01Z)
• Isolation-based Spherical Ensemble Representations for Anomaly Detection [60.989157958972356]
  不正検出、ネットワークセキュリティ、ログ監視を対象とするアプリケーションによるデータマイニングと管理において、異常検出は重要なタスクである。 既存の教師なし異常検出手法は、分散仮定の矛盾、計算の非効率性、異なる異常型を扱う難しさなど、基本的な課題に直面している。 Isolation-based Spherical Ensemble Representations (ISER) は, 局所密度特性のプロキシとしてハイパースフィアラジイを用いて, 線形時間と定数空間の複雑さを保ちながら, 既存の分離法を拡張したものである。
  論文  参考訳（メタデータ） (2025-10-15T09:00:05Z)
• Generative inpainting of incomplete Euclidean distance matrices of trajectories generated by a fractional Brownian motion [46.1232919707345]
  フラクショナルブラウン運動(fBm)はランダム性と強いスケールフリーの相関を特徴とする。 本稿では, 劣化した画像の特定のデータセット上で, 拡散に基づく塗布方法の動物園について検討する。 条件拡散生成は、異なるメモリ状態におけるfBmパスの組込み相関を容易に再現する。
  論文  参考訳（メタデータ） (2024-04-10T14:22:16Z)
• Heterogeneous Oblique Double Random Forest [1.2599533416395767]
  斜め決定木の性能は、斜め超平面の生成方法とそれらの超平面の生成に使用されるデータに依存する。 提案モデルでは、ブートストラップデータ上の各非リーフノードに複数の線形分類器を用い、最適線形分類器に基づいて元のデータを分割する。 実験により, 導入した異質な二重ランダム林の性能は, ベースラインモデルよりも比較的良好であることが示唆された。
  論文  参考訳（メタデータ） (2023-04-13T19:14:23Z)
• Deep Isolation Forest for Anomaly Detection [16.581154394513025]
  孤立林(iForest)は近年、おそらく最も人気のある異常検知器として出現している。 我々のモデルでは,データセット上での最先端の分離手法や深層検出器よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2022-06-14T05:47:07Z)
• Entropy Minimizing Matrix Factorization [102.26446204624885]
  NMF(Nonnegative Matrix Factorization)は、広く使用されているデータ分析技術であり、多くの実際のタスクで印象的な結果をもたらしました。 本研究では,上述の問題に対処するために,EMMF (Entropy Minimizing Matrix Factorization framework) を開発した。 通常、外れ値が通常のサンプルよりもはるかに小さいことを考えると、行列分解のために新しいエントロピー損失関数が確立される。
  論文  参考訳（メタデータ） (2021-03-24T21:08:43Z)
• Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature Selection [138.97647716793333]
  再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。 提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
  論文  参考訳（メタデータ） (2020-12-29T04:08:38Z)
• Convex Polytope Trees [57.56078843831244]
  コンベックスポリトープ木(CPT)は、決定境界の解釈可能な一般化によって決定木の系統を拡張するために提案される。 木構造が与えられたとき,木パラメータに対するCPTおよび拡張性のあるエンドツーエンドトレーニングアルゴリズムを効率的に構築する。
  論文  参考訳（メタデータ） (2020-10-21T19:38:57Z)

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。