論文の概要: Universal Semantic Enhancement for Weakly Supervised Anomaly Detection

• arxiv url: http://arxiv.org/abs/2610.23765v1
• Date: Fri, 16 Oct 2026 17:05:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:08.030639
• Title: Universal Semantic Enhancement for Weakly Supervised Anomaly Detection
• Title（参考訳）: 弱教師付き異常検出のためのユニバーサル・セマンティック・エンハンスメント
• Abstract要約: 本稿では,表データの普遍的意味的拡張に基づく弱教師付き異常検出手法を提案する。 次に、プロトタイプ条件付き変調機構を設計し、2種類の機能を効果的に統合する。 実験の結果,提案手法は,訓練手順で8つのラベル付き異常が利用できる場合に,競争法よりも優れていた。
• 参考スコア（独自算出の注目度）: 14.031773939017754
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Weakly supervised anomaly detection on tabular data is an essential task in many label-scarce applications, since tabular data is widely encountered and it is commonly observed in practice that only a limited number of labeled anomalies are available alongside abundant unlabeled samples. Most existing methods try to learn features that capture the inherent distribution patterns in the target domain. However, such features often struggle to provide a complete description of possible abnormal characteristics and are highly susceptible to overfitting the extremely scarce labels. To address this challenge, we propose a weakly supervised anomaly detection method based on universal semantic enhancement for tabular data, which fuses the universal knowledge from a pre-trained tabular foundation model with the domain-specific knowledge learned on the target dataset. The two types of knowledge are naturally complementary: universal semantics describe the common patterns of tabular data across domains, while the domain-specific features capture the inherent distributions of normal and anomalous behaviors in the target dataset. A prototype-conditioned modulation mechanism is then designed to effectively integrate the two types of features, allowing them to reinforce each other for improved anomaly detection. Extensive experiments on public datasets show that the proposed method outperforms competitive methods when only eight labeled anomalies are available in the training procedure.
• Abstract（参考訳）: 表層データに対する弱教師付き異常検出は,多くのラベルスカースアプリケーションにおいて重要な課題である。 既存のほとんどのメソッドは、ターゲットドメイン固有の分散パターンをキャプチャする機能を学習しようとします。 しかし、このような特徴は、起こりうる異常な特徴の完全な記述に苦しむことが多く、非常に少ないラベルに過度に適合する可能性が非常に高い。 この課題に対処するため,表層データに対する普遍的意味的拡張に基づく弱教師付き異常検出手法を提案し,対象データセットから学習したドメイン固有の知識と,事前学習した表層基盤モデルからの普遍的知識を融合させる。 普遍的なセマンティクスは、ドメイン間の表データの共通パターンを記述し、ドメイン固有の特徴は、ターゲットデータセット内の正常および異常な振る舞いの固有の分布をキャプチャする。 プロトタイプ条件付き変調機構は、2種類の特徴を効果的に統合し、互いに強化して異常検出を改善するように設計されている。 公開データセットに対する大規模な実験により,提案手法は,トレーニング手順で8つのラベル付き異常が利用できる場合に,競争法よりも優れることが示された。

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)
• Learning Feature Encoder with Synthetic Anomalies for Weakly Supervised Graph Anomaly Detection [66.0756595768692]
  本稿では,グラフ異常に適した特徴学習戦略を活用する,弱い教師付きグラフ異常検出手法を提案する。 提案手法は,合成異常により頑健な特徴表現を抽出するマルチタスク学習方式に基づいている。 公開データセットに関する実験は、我々の手法が競合相手よりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-12T08:27:06Z)
• Enhancing Tabular Anomaly Detection via Pseudo-Label-Guided Generation [35.2283498099342]
  擬似ラベル誘導型異常生成法PLAGを提案する。 PLAGが8つの代表ベースラインに対して最先端のパフォーマンスを達成することを示す。 柔軟なフレームワークとして、PLAGは既存の教師なし検出器とシームレスに統合される。
  論文  参考訳（メタデータ） (2026-04-20T13:42:30Z)
• Deep Context-Conditioned Anomaly Detection for Tabular Data [9.58464841713335]
  異常検出は、サイバーセキュリティやファイナンスといった分野において重要である。 本稿では,文脈条件の異常検出フレームワークを提案する。 提案手法は,コンテキストの特徴を自動的に識別し,条件付きデータ分布をモデル化する。
  論文  参考訳（メタデータ） (2025-09-10T22:01:11Z)
• Multi-Normal Prototypes Learning for Weakly Supervised Anomaly Detection [9.4765288592895]
  異常検出は様々な領域において重要な課題である。 既存の手法のほとんどは、単一の中央プロトタイプを中心とした通常のサンプルデータクラスタを前提としています。 ラベル付き異常を効率的に扱える新しい異常検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-23T18:27:58Z)
• ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
  ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。 各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
  論文  参考訳（メタデータ） (2024-05-27T02:42:33Z)
• Enhancing Unsupervised Anomaly Detection with Score-Guided Network [13.127091975959358]
  異常検出は、医療や金融システムなど、さまざまな現実世界のアプリケーションにおいて重要な役割を担っている。 正規データと異常データの間の異常スコアの差を学習・拡大するために,スコア誘導正規化を用いた新しいスコアネットワークを提案する。 次に,スコア誘導型オートエンコーダ(SG-AE)を提案する。
  論文  参考訳（メタデータ） (2021-09-10T06:14:53Z)
• 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)
• Toward Deep Supervised Anomaly Detection: Reinforcement Learning from Partially Labeled Anomaly Data [150.9270911031327]
  本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。 既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。 そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-09-15T03:05:39Z)

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。