論文の概要: Flow-CAD: Flow Matching for Contextual Anomaly Detection and Explanation in Tabular Data
- arxiv url: http://arxiv.org/abs/2611.16184v1
- Date: Thu, 12 Nov 2026 02:18:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.301637
- Title: Flow-CAD: Flow Matching for Contextual Anomaly Detection and Explanation in Tabular Data
- Title(参考訳): Flow-CAD: 語彙データにおける文脈異常検出と説明のためのフローマッチング
- Abstract要約: Flow-CADは、Flow Matchingに基づいたコンテキスト異常検出のための新しいフレームワークである。
状況に応じた行動条件を柔軟に表現する単一のグローバルで償却された条件生成モデルを学ぶ。
異常スコアを安定化し、極端な偏差による支配を緩和し、特徴的帰属をサポートする。
- 参考スコア(独自算出の注目度): 24.91039314768591
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Contextual anomaly detection in tabular data aims to identify objects whose behavior is unexpected under their contextual conditions. In data-engineering pipelines, this task screens table rows whose measurements violate context-dependent integrity relationships. Most existing approaches rely on either shallow conditional models with limited distributional expressiveness or localized estimators that require per-context modeling, making it difficult to capture complex conditional relationships and scale to high-dimensional settings. We propose Flow-CAD, a new framework for contextual anomaly detection based on Flow Matching. Flow-CAD learns a single global and amortized conditional generative model that flexibly represents behavioral distributions conditioned on context, without assuming simple parametric forms or retraining local models. To enable robust and interpretable anomaly scoring, we introduce a scale-normalized and truncated residual energy derived from the learned conditional flow, which stabilizes anomaly scores, mitigates domination by extreme deviations, and supports feature-wise attribution. We further provide theoretical insights showing that the proposed residual-based anomaly score is stable under velocity estimation error, and that its Monte Carlo estimator satisfies concentration bounds. Experiments on 20 benchmark datasets with 13 competitors demonstrate that Flow-CAD has the best average rank for PR AUC, ROC AUC, and P@n, highlighting its effectiveness and practicality for contextual anomaly detection in tabular data. We provide the source code at https://github.com/ZhongLIFR/FlowCAD.
- Abstract(参考訳): 表形式のデータにおけるコンテキスト異常検出は、コンテキスト条件下での振る舞いが予期しないオブジェクトを識別することを目的としている。
データエンジニアリングパイプラインでは、このタスクは、コンテキスト依存の整合性関係に違反するテーブル行をスクリーニングする。
既存のほとんどのアプローチは、分布表現性に制限のある浅い条件付きモデルか、コンテキストごとのモデリングを必要とする局所的推定器に依存しており、複雑な条件付き関係を捕捉し、高次元設定にスケールすることが困難である。
本稿では,フローマッチングに基づくコンテキスト異常検出のための新しいフレームワークであるFlow-CADを提案する。
Flow-CADは、単純なパラメトリック形式を仮定したり、局所モデルを再訓練したりすることなく、コンテキストで条件付けられた振る舞い分布を柔軟に表現する単一のグローバルで償却された条件生成モデルを学ぶ。
頑健で解釈可能な異常スコアを実現するために,学習条件フローから導出されるスケール正規化および切り離された残留エネルギーを導入し,異常スコアを安定化し,極端な偏差による支配を緩和し,特徴的帰属をサポートする。
さらに,提案した残差ベース異常スコアが速度推定誤差下で安定であり,モンテカルロ推定器が濃度境界を満たすことを示す理論的考察を行った。
13の競合相手による20のベンチマークデータセットの実験では、Flow-CADがPR AUC、ROC AUC、P@nの平均ランクで、表データにおけるコンテキスト異常検出の有効性と実用性を強調している。
ソースコードはhttps://github.com/ZhongLIFR/FlowCAD.orgで公開しています。
関連論文リスト
- Probabilistic Limit Order Book Forecasting with Conditional Diffusion Models [16.18468855047293]
本稿では,自己回帰型RNNエンコーダと拡散型ジェネレータを組み合わせた,確率的リミットオーダーブック(LOB)予測のための条件付きDDPMフレームワークを提案する。
BTC/USDT、GOOGL、METAの実験では、LOBGradは、報告された全てのキューメトリクスのエンコーダフリー拡散アブレーションを改善している。
また、LOBマイクロ構造の重要なスタイル化された事実を再現し、合理的に調整されたキューベースの予測間隔を生成する。
論文 参考訳(メタデータ) (2026-10-18T19:34:17Z) - COMPASS: Contextual Moment Prior Alignment for Generalizable AIGI Detection [87.91469665365304]
一般化可能なAI生成画像(AIGI)とディープフェイク検出は、非対称性現象のため難しいままである。
最近の部分空間適応法は、残留部分空間を適応させながら高次主成分を凍結することによりこの問題を軽減する。
本稿では,小さなSemantic Proxy Setを用いて,ターゲットのアクティベーション統計を推定するデータ認識サブスペース適応フレームワークを提案する。
論文 参考訳(メタデータ) (2026-10-13T09:23:12Z) - TabSCM: A practical Framework for Generating Realistic Tabular Data [22.41489215805826]
因果依存性を保存する混合型ジェネレータであるTabSCMを提案する。
7つの公開データセットでは、TabSCMは最先端のGAN、拡散、LLMベースラインを統計的忠実度で一致または超えている。
生成は明示的な方程式に分解されるので、拡散のみのモデルよりも583$times$高速に実行される。
論文 参考訳(メタデータ) (2026-04-24T08:10:01Z) - Rectified-CFG++ for Flow Based Models [26.896426878221718]
本稿では,修正フローの決定論的効率を幾何学的条件付きルールと組み合わせた適応型予測器・補正器ガイダンスであるRectified-C++を提案する。
大規模なテキスト・ツー・イメージモデル(Flux, Stable Diffusion 3/3.5, Lumina)の実験では、Rectified-C++がベンチマークデータセットの標準CFGを一貫して上回っていることが示されている。
論文 参考訳(メタデータ) (2025-10-09T00:00:47Z) - Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
現実の時系列では欠落値が一般的である。
現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。
このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。
本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
論文 参考訳(メタデータ) (2025-09-27T20:57:48Z) - BayesTTA: Continual-Temporal Test-Time Adaptation for Vision-Language Models via Gaussian Discriminant Analysis [41.09181390655176]
CLIPのような視覚言語モデル(VLM)は、強いゼロショット認識を実現するが、実世界のシナリオに共通する時空間的な分散シフトの下で大幅に劣化する。
テスト分布が時間とともに徐々に変化するCT-TTA(textitContinal-Temporal Test-Time Adaptation)として、この実践的問題を定式化する。
我々は、時間的に一貫した予測を実行し、視覚表現を動的に調整する、ベイズ適応フレームワークであるtextitBayesTTAを提案する。
論文 参考訳(メタデータ) (2025-07-11T14:02:54Z) - Solving Inverse Problems with FLAIR [68.87167940623318]
本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。
標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
論文 参考訳(メタデータ) (2025-06-03T09:29:47Z) - 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) - VQ-Flows: Vector Quantized Local Normalizing Flows [2.7998963147546148]
データ多様体上の「チャートマップ」として局所正規化フローの混合を学習するための新しい統計フレームワークを導入する。
本フレームワークは, 正規化フローのシグネチャ特性を保ちながら, 最近の手法の表現性を向上し, 正確な密度評価を行う。
論文 参考訳(メタデータ) (2022-03-22T09:22:18Z) - Autoregressive Score Matching [113.4502004812927]
自動回帰条件スコアモデル(AR-CSM)を提案する。
AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。
本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
論文 参考訳(メタデータ) (2020-10-24T07:01:24Z)
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。