論文の概要: How Far Can Untrained Neural Networks Go in Anomaly Detection? From Tables to Pixels

• arxiv url: http://arxiv.org/abs/2611.08136v1
• Date: Thu, 05 Nov 2026 15:01:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 04:55:13.552881
• Title: How Far Can Untrained Neural Networks Go in Anomaly Detection? From Tables to Pixels
• Title（参考訳）: 未学習のニューラルネットワークはどこまで異常検出できるのか? テーブルからピクセルまで
• Abstract要約: PRISMは、固定ランダムな非線形特徴と正規参照マハラノビススコアを組み合わせた、異常検出のためのフレームワークである。 MVTec AD と VisA では、PRISM-V はそれぞれ90.4% と96.4% の画像レベルと画素レベルの AUROC を達成している。 これらの結果から,PRISMは,異常検出における学習表現の付加価値を評価するための,競合的異常検出と事前学習ベースラインの両方として確立された。
• 参考スコア（独自算出の注目度）: 1.224954637705144
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection (AD) is often framed as a representation-learning problem, where strong performance is expected to require learned features or AD-specific optimization. However, this view can overlook the intrinsic separability of anomalies from normal references, even in the absence of learned representations. We therefore investigate how far untrained neural networks can go in anomaly detection. To this end, we propose PRISM, a framework combining fixed random nonlinear features with normal-reference Mahalanobis scoring for tabular detection and dense visual localization. Across 47 tabular datasets in ADBench, PRISM-T achieves the highest mean AUROC (86.4%) and the second-highest mean AUPRC (65.9%) among the compared methods. On MVTec AD and VisA, covering 27 visual categories, PRISM-V achieves mean image-level and pixel-level AUROCs of 90.4% and 96.4%, respectively. Notably, both models achieve these results without neural weight optimization or pretrained representations. A theoretical analysis further characterizes how nonlinear transformations affect the mean and covariance contributions to the Mahalanobis score gap, while empirical analyses examine the resulting score separability. These findings establish PRISM as both a competitive anomaly detector and a prior-to-learning baseline for assessing the added value of learned representations in anomaly detection.
• Abstract（参考訳）: 異常検出(AD)は、しばしば表現学習の問題としてフレーム化され、強力な性能は学習機能やAD固有の最適化を必要とすると期待されている。 しかし、この見解は、学習された表現がなくても、通常の参照から異常の本質的な分離性を見落としることができる。 したがって、トレーニングされていないニューラルネットワークが異常検出においてどこまで進むかを調べる。 この目的のために,固定ランダムな非線形特徴と正規参照マハラノビススコアを組み合わせたPRISMを提案する。 ADBenchの47のグラフデータセットの中で、PRISM-TはAUROC(86.4%)とAUPRC(65.9%)の2番目に高い平均を達成している。 27の視覚カテゴリーをカバーするMVTec ADとVisAでは、PRISM-Vはそれぞれ90.4%と96.4%の画素レベルのAUROCを達成している。 特に、どちらのモデルも、ニューラルウェイト最適化や事前訓練された表現なしでこれらの結果を達成する。 理論的解析により、非線形変換がマハラノビスのスコアギャップに対する平均的および共分散的寄与にどのように影響するかが明らかになり、実証的な分析により結果のスコア分離性が検証される。 これらの結果から,PRISMは,異常検出における学習表現の付加価値を評価するための,競合的異常検出と事前学習ベースラインの両方として確立された。

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)
• AEGIS: A Semantic GAN and Evidential Learning Frameworkfor Robust Adversarial Detection in Vision Sensors [11.468095590140777]
  AEGISは、視覚センサパイプラインのためのセマンティックアウェアと不確実性ガイド付き敵検出フレームワークである。 SemantiGANモジュールは、視覚的に矛盾する敵入力を識別しフィルタリングする多クラスセマンティック識別器として機能する。 Tiny ImageNetデータセットの評価は、AEGISの有効性を示す。
  論文  参考訳（メタデータ） (2026-06-25T12:03:02Z)
• DINO-AD: Unsupervised Anomaly Detection with Frozen DINO-V3 Features [1.5706807952547635]
  医用画像における非教師付き異常検出(AD)は,画素レベルのアノテーションに頼ることなく異常領域を識別することを目的としている。 DINO-V3表現に基づく新しい異常検出フレームワークDINO-ADを提案する。
  論文  参考訳（メタデータ） (2026-01-31T15:35:49Z)
• AnoPLe: Few-Shot Anomaly Detection via Bi-directional Prompt Learning with Only Normal Samples [6.260747047974035]
  AnoPLeは、異常を事前に知ることなく、異常検出のために設計されたマルチモーダル・プロンプト学習手法である。 AnoPLe は MVTec-AD と VisA で 94.1% と 86.2% Image AUROC をそれぞれ記録した。
  論文  参考訳（メタデータ） (2024-08-24T08:41:19Z)
• 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)
• 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)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• 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。