論文の概要: Bounded AUKS: A Novel Evaluation Metric for Anomaly Detection via Bounded Area Under the Kolmogorov--Smirnov Curve
- arxiv url: http://arxiv.org/abs/2611.04754v1
- Date: Tue, 03 Nov 2026 12:06:45 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-04 17:35:42.173388
- Title: Bounded AUKS: A Novel Evaluation Metric for Anomaly Detection via Bounded Area Under the Kolmogorov--Smirnov Curve
- Title（参考訳）: 境界AUKS:コルモゴロフ-スミルノフ曲線下の境界領域による異常検出のための新しい評価指標
- Abstract要約: 正常標本と異常標本の異常スコア分布の分離を定量化できる指標の欠如を論じる。
データ駆動の有界範囲内で、TPRとFPRの違いを統合する部分積分計量であるAUKSを紹介する。
MVTec ADとVisAデータセットにまたがる9つのモデルに関する実験では、Bounded AUKSが既存のメトリクスの制限に対処できることが示されている。
- 参考スコア（独自算出の注目度）: 1.3226790962229331
- License:
- Abstract: Recent literature widely used global metrics such as AUROC and AUPRO to quantify the detection performance. AUROC and AUPRO scores are approaching 100% in some public datasets such as MVTec AD dataset and VisA dataset, which misleadingly suggests that the pixel-level anomaly detection task has already been solved. Threshold-independent metrics represented by AUROC inherently ignore the threshold selection process, which is inevitable in practical applications. Although AUPRO restricts the False Positive rates (FPRs) to an acceptable range, extremely low FPRs can lead to increased false negative rates (FNRs). We argue that there is a lack of metrics capable of quantifying the separation between the anomaly score distributions of normal and anomalous samples, which hinders advancements in anomaly detection. In response, we propose the Bounded Area Under the Kolmogorov--Smirnov curve (Bounded AUKS), a partial integral metric that integrates the difference between TPR and FPR within a data-driven bounded range. Specifically, we introduce AUKS from KS integral as a direct measure of separability between the anomaly score distributions. The bounded range is determined only by score distributions of normal test samples. Lower bound excludes the uninformative high-FPR region. Upper bound avoids evaluation in extreme regions that aggressively push FPR towards zero, which result in a very low recall. Our experiments on 9 models across MVTec AD and VisA datasets show that Bounded AUKS can address the limitations of existing metrics and has a better performance in evaluating unsupervised anomaly detection models.
- Abstract（参考訳）: 近年の文献では、AUROCやAUPROといったグローバルなメトリクスを使って検出性能を定量化している。
AUROCとAUPROのスコアはMVTec ADデータセットやVisAデータセットなどの公開データセットで100%に近づいている。
AUROCで表される閾値非依存のメトリクスは本質的に閾値選択プロセスを無視している。
AUPROは偽陽性率(FPR)を許容範囲に制限するが、非常に低いFPRは偽陰性率(FNR)を増加させる可能性がある。
異常検出の進歩を妨げている正常試料と異常試料の異常スコア分布の分離を定量化できる指標の欠如を論じる。
これに対し,データ駆動有界範囲内でのTPRとFPRの差を統合する部分積分計量であるコルモゴロフ-スミルノフ曲線の下での有界領域(境界AUKS)を提案する。
具体的には,KS積分からのAUKSを,異常スコア分布間の分離性の直接測定として導入する。
境界範囲は、通常の試験サンプルのスコア分布によってのみ決定される。
下限は非形式的高FPR領域を除外する。
アッパーバウンドは、FPRをゼロに積極的に押し上げる極端領域の評価を回避し、非常に低いリコールをもたらす。
MVTec ADとVisAデータセットの9つのモデルに対する実験により、Bounded AUKSは既存のメトリクスの限界に対処でき、教師なしの異常検出モデルを評価する上でより優れた性能を持つことが示された。
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) - Testing the Test: Score-Direction Instability in Class-Split Anomaly Detection [56.362776482614976]
データセット内のクラス分割評価は、完全に非条件のアウト・オブ・ディストリビューション異常検出のプロキシとして広く利用されている。
このプロトコルは、保持された異常クラスが表現空間の通常の混合と重なり合う場合、悪用される可能性があることを示す。
そこで本研究では,Fashion-MNIST,CIFAR-10,Imagenette間のスコア方向不安定性を予測する。
論文 参考訳（メタデータ） (2026-05-23T06:27:42Z) - Beyond the Fold: Quantifying Split-Level Noise and the Case for Leave-One-Dataset-Out AU Evaluation [1.7159330469510958]
クロスバリデーション自体が測定可能な分散をもたらすことを示す。
BP4D+では、3倍の主成分排他的分割を繰り返して、平均F1で平均0.065ドルという経験的なノイズフロアを生成する。
さらに、5つのAUデータセットにわたるLeave-One-Dataset-Outプロトコルを用いて、データセット間のロバスト性を評価する。
論文 参考訳（メタデータ） (2026-04-02T15:28:55Z) - 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) - AUPIMO: Redefining Visual Anomaly Detection Benchmarks with High Speed and Low Tolerance [0.562479170374811]
Per-IMage Overlap(PIMO)は、AUROCとAUPROの欠点に対処する新しいメトリクスである。
画像ごとのリコールの測定は、計算を単純化し、ノイズの多いアノテーションに対してより堅牢である。
実験の結果,PIMOは実用的優位性があり,性能の見識に乏しいことがわかった。
論文 参考訳（メタデータ） (2024-01-03T21:24:44Z) - MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly
Detection [124.52227588930543]
教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。
不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。
非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。
我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
論文 参考訳（メタデータ） (2023-08-29T13:38:35Z) - Industrial Anomaly Detection and Localization Using Weakly-Supervised Residual Transformers [44.344548601242444]
Weakly-supervised RESidual Transformer (WeakREST) という新しいフレームワークを導入し,高い異常検出精度を実現する。
画素単位の異常局所化タスクをブロック単位の分類問題に再構成する。
弱いラベルと残差に基づく表現との相互作用を処理できるResMixMatchアルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-06-06T08:19:30Z) - SPADE: Semi-supervised Anomaly Detection under Distribution Mismatch [58.04518381476167]
SPADEは、分布ミスマッチを伴う幅広いシナリオにわたって、最先端の半教師付き異常検出性能を示す。
新しいタイプのラベルのない異常に直面したモデルなど、いくつかの一般的な現実世界設定では、SPADEは最先端の代替品を平均5%のAUCで上回っている。
論文 参考訳（メタデータ） (2022-11-30T23:39:11Z) - OMASGAN: Out-of-Distribution Minimum Anomaly Score GAN for Sample
Generation on the Boundary [0.0]
生成モデルは, アウト・オブ・ディストリビューション(OoD)サンプルに高い可能性と低い再構成損失を設定した。
OMASGANは、負のデータ増大方法で、推定分布境界上の異常サンプルを生成する。
OMASGANは、分布境界上に発生する異常最小値のOoDサンプルを含むことにより、再訓練を行う。
論文 参考訳（メタデータ） (2021-10-28T16:35:30Z) - Federated Deep AUC Maximization for Heterogeneous Data with a Constant
Communication Complexity [77.78624443410216]
異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。
本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。
FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
論文 参考訳（メタデータ） (2021-02-09T04:05:19Z)
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。