論文の概要: f-Divergence Self-Play for Tabular Anomaly Detection via Large Language Models
- arxiv url: http://arxiv.org/abs/2611.18370v1
- Date: Fri, 13 Nov 2026 16:16:03 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:24:12.10188
- Title: f-Divergence Self-Play for Tabular Anomaly Detection via Large Language Models
- Title(参考訳): f-divergence Self-Play for Tabular Anomaly Detection by Large Language Models (特集:情報ネットワーク)
- Abstract要約: DiSPaTは、モデルが通常のデータに対する理解を深めるセルフプレイの微調整フレームワークである。
実際の正規データとモデル生成サンプルの分布ギャップを低減するために、トレーニング目標を結合する厳密な近似を導出する。
- 参考スコア(独自算出の注目度): 34.58524239656004
- License:
- Abstract: Anomaly detection in tabular data poses significant challenges due to heterogeneous feature types-mixing numerical, categorical, and textual attributes, which complicate learning meaningful representations of normality. Recent work has applied large language models (LLMs) to this problem by serializing table rows as text sequences, yet these approaches rely on one-shot supervised fine-tuning that offers limited signal to tighten the model's description of normality. We propose DiSPaT, a self-play fine-tuning framework that strengthens the model's understanding of normal data. Building on the theoretical foundation of f-divergence minimization, we derive a tight approximation connecting our training objective to reducing the distributional gap between real normal data and model-generated samples. DiSPaT operates through an alternating optimization: at each iteration, the current policy generates synthetic samples that serve as pseudo-anomalies, while a critic discriminator learns to distinguish these from real normal samples; this signal drives policy updates that progressively align the model distribution with the true normal-data distribution. Extensive experiments on diverse benchmarks demonstrate that DiSPaT consistently outperforms prior LLM-based methods, deep learning approaches, and classical unsupervised detectors for tabular anomaly detection.
- Abstract(参考訳): 表形式のデータにおける異常検出は、正規性の学習を複雑にする不均一な特徴型、分類的、テキスト的属性の混合による重大な課題を生じさせる。
最近の研究は、テーブル行をテキストシーケンスとしてシリアライズすることで、この問題に大規模な言語モデル(LLM)を適用しているが、これらのアプローチは、モデルの正規性の記述を厳格化するための制限信号を提供するワンショットの教師付き微調整に依存している。
モデルが通常のデータに対する理解を深めるセルフプレイの微調整フレームワークであるDiSPaTを提案する。
我々は,f分割最小化の理論的基礎を基礎として,実際の正規データとモデル生成サンプルの分布ギャップを低減するために,トレーニング目標を結合する厳密な近似を導出する。
DiSPaTは、各イテレーションにおいて、現在のポリシーは擬似アノマリーとして機能する合成サンプルを生成する一方、批評家判別器は、これらを実際の通常のサンプルと区別することを学び、この信号は、モデル分布を真の正規データ分布と漸進的に整合させるポリシー更新を駆動する。
多様なベンチマークに関する大規模な実験により、DiSPaTは従来のLCMベースの手法、ディープラーニングアプローチ、そしてタブ状異常検出のための古典的な教師なし検出器よりも一貫して優れていたことが示されている。
関連論文リスト
- Learning Unified Representations of Normalcy for Time Series Anomaly Detection [0.0]
本稿では,新しいフレームワークUnified Unsupervised Anomaly Detection(textU2textAD$)を提案する。
本手法は, スコアベース生成モデルを用いて, 正規サンプルの基盤となるデータ分布を学習する。
実験により,@textU2textAD$は検出精度において現在の最先端メソッドよりも優れるだけでなく,発生のかなり早い段階で異常を識別できることがわかった。
論文 参考訳(メタデータ) (2026-05-10T18:12:22Z) - Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。
意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。
10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
論文 参考訳(メタデータ) (2025-11-10T12:10:05Z) - Towards Foundation Models for Zero-Shot Time Series Anomaly Detection: Leveraging Synthetic Data and Relative Context Discrepancy [33.68487894996624]
時系列異常検出(TSAD)は重要な課題であるが、見えないデータに一般化するモデルを開発することは大きな課題である。
我々は、新しい事前学習パラダイムの上に構築されたTSADの新たな基盤モデルであるtextttTimeRCDを紹介した。
textttTimeRCD はゼロショット TSAD において,既存の汎用および異常固有の基盤モデルよりも大幅に優れていることを示す。
論文 参考訳(メタデータ) (2025-09-25T14:05:15Z) - Strengthening Anomaly Awareness [0.0]
我々は、教師なし異常検出の強化を目的とした、異常認識フレームワークの洗練されたバージョンを提案する。
本稿では,2段階のトレーニング戦略を通じて,変分オートエンコーダ(VAE)の最小限の監視を導入する。
論文 参考訳(メタデータ) (2025-04-15T16:52:22Z) - Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。
提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文 参考訳(メタデータ) (2023-04-10T17:54:38Z) - Optimal regularizations for data generation with probabilistic graphical
models [0.0]
経験的に、よく調和された正規化スキームは、推論されたモデルの品質を劇的に改善する。
生成的ペアワイドグラフィカルモデルの最大Aポストエリオーリ(MAP)推論におけるL2とL1の正規化について検討する。
論文 参考訳(メタデータ) (2021-12-02T14:45:16Z) - 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) - Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。
テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。
以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文 参考訳(メタデータ) (2020-06-22T21:12:31Z)
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。