論文の概要: Moment-Based Anomaly Detection in High-Dimensional Mixed Data

• arxiv url: http://arxiv.org/abs/2610.16285v1
• Date: Mon, 12 Oct 2026 07:11:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 06:43:12.670787
• Title: Moment-Based Anomaly Detection in High-Dimensional Mixed Data
• Title（参考訳）: 高次元混合データにおけるモーメントに基づく異常検出
• Abstract要約: 本稿では,異種特徴を標準化モーメントベース変換により共通スケールにマッピングする高次元混合型データの異常検出手法を提案する。 これらのスコアは依存認識集約ステップを介して組み合わせられ、MDIスコアを構成する。 サンプルサイズ,寸法,依存構造,データ型に応じて,MDIスコアの分布としきい値の閾値付け挙動を実験的に検討した。
• 参考スコア（独自算出の注目度）: 1.1244000052204541
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose an anomaly detection method for high-dimensional mixed-type data that maps heterogeneous features to a common scale via standardized moment-based transformations, yielding interpretable feature-level anomaly scores. These scores are combined through a dependence-aware aggregation step to construct the Mixed-data Influence (MDI) score, accounting for correlations across features and providing a unified measure of how strongly an observation departs from the reference data distribution. By incorporating higher-order moments, the MDI can detect anomalies that arise not only from location shifts, but also from changes in variability, skewness, and other distributional characteristics. The aggregation mechanism allows our method to capture both sparse anomalies concentrated in a small number of features and weak, coordinated deviations distributed across many features. We empirically investigate the distribution and thresholding behavior of the MDI score across different sample sizes, dimensions, dependence structures, and data types. Simulation experiments and two real-data applications, to multi-omics and ESG data, evaluate finite-sample calibration, detection performance, and feature-level interpretability.
• Abstract（参考訳）: 本稿では,異種特徴を標準モーメントベース変換により共通スケールにマッピングし,解釈可能な特徴レベルの異常スコアを得る高次元混合型データの異常検出手法を提案する。 これらのスコアは、依存認識集約ステップを通じて組み合わせられ、MDI(Mixed-data Influence)スコアを構築し、特徴間の相関を考慮し、観測が基準データ分布からどれだけ強く逸脱するかを統一的に測定する。 高次モーメントを組み込むことで、MDIは位置シフトだけでなく、変動性、歪、その他の分布特性の変化から生じる異常を検出することができる。 このアグリゲーション機構により,少数の特徴に集束したスパース異常と,多数の特徴にまたがって分布する弱い座標偏差を捉えることができる。 サンプルサイズ,寸法,依存構造,データ型に応じて,MDIスコアの分布としきい値の閾値付け挙動を実験的に検討した。 シミュレーション実験と実データによるマルチオミクスとESGデータへの2つの応用は、有限サンプル校正、検出性能、特徴レベルの解釈可能性を評価する。

関連論文リスト

• Can We Predict Anomaly Detection Performance from Embedding-Space Geometry? [26.964114774872684]
  本研究では,異常なデータにアクセスせずに異常検出性能を予測できるかどうかを検討する。 相対的なスコア分離を推定するための基準を提供する単純な擬似アノマリープローブを導入する。 DCASE 2022-2025ベンチマークの実験では、4つの埋め込みモデルと208の候補システムにまたがって、擬似異常に基づく推定器が異常のないモデル選択を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2026-09-22T14:12:54Z)
• Rethinking Structural Anomaly Detection: From Decision Boundaries to Projection Operators [51.771100367755544]
  本稿では,既存手法の帰納バイアスとデータ構造とのミスマッチに対処する幾何学的視点を提案する。 具体的には、正規サンプルの多様体上の射影作用素を学習し、この射影によって変更される場合、サンプルを異常として定義する。 特に、プロジェクション品質の観点から、その成功と失敗を説明することによって、再構築に基づく手法の統一的な解釈を提供する。
  論文  参考訳（メタデータ） (2026-06-13T12:37:20Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• MeLIAD: Interpretable Few-Shot Anomaly Detection with Metric Learning and Entropy-based Scoring [2.394081903745099]
  本稿では,新たな異常検出手法であるMeLIADを提案する。 MeLIADはメートル法学習に基づいており、真の異常の事前分布仮定に頼ることなく、設計による解釈可能性を達成する。 解釈可能性の定量的かつ定性的な評価を含む5つの公開ベンチマークデータセットの実験は、MeLIADが異常検出とローカライゼーション性能の改善を達成することを実証している。
  論文  参考訳（メタデータ） (2024-09-20T16:01:43Z)
• Weakly-supervised anomaly detection for multimodal data distributions [25.60381244912307]
  Weakly-supervised Variational-mixture-based Anomaly Detector (WVAD)を提案する。 WVADはマルチモーダルデータセットで優れている。 3つの実世界のデータセットの実験結果は、WVADの優位性を示している。
  論文  参考訳（メタデータ） (2024-06-13T14:14:27Z)
• HFN: Heterogeneous Feature Network for Multivariate Time Series Anomaly Detection [2.253268952202213]
  MTSのためのヘテロジニアス特徴ネットワーク(HFN)に基づく,新しい半教師付き異常検出フレームワークを提案する。 まず、センサ埋め込みによって生成された埋め込み類似性グラフと、センサ値によって生成された特徴値類似性グラフを組み合わせて、時系列不均一グラフを構築する。 このアプローチは、ヘテロジニアスグラフ構造学習(HGSL)と表現学習の最先端技術を融合させる。
  論文  参考訳（メタデータ） (2022-11-01T05:01:34Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic Uncertainty [58.144520501201995]
  ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。 注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。 また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
  論文  参考訳（メタデータ） (2021-10-12T22:04:19Z)

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。