Efficient anomaly detection using diffusion

Anomaly detection is the identification of unusual data by assuming that the normal data follows a specific pattern.It plays a crucial role in various domains such as medical monitoring, cybersecurity, and fraud detection.Identifying anomalies becomes challenging when their distribution is unknown, leading to the absence of labelled data during training.Diffusion models are attractive candidates since they are great at learning the data distribution.Once learned, we can leverage the distribution of the normal data to identify anomalies.Previously, the reconstruction error has been used for this purpose, but it is computationally expensive due to the need for multiple predictions.Instead, we propose a method that directly learns the diffusion time, estimating how far an instance is from the data manifold, thus improving efficiency and speed.We empirically demonstrate competitive performance against multiple baselines on a comprehensive anomaly detection benchmark.iv Résumé La détection d'anomalies consiste à identifier des données inhabituelles en supposant que les données normales suivent un modèle de distribution spécifique.Elle joue un rôle crucial dans divers domaines tels que la surveillance médicale, la cybersécurité et la détection de fraudes.L'identification des anomalies devient difficile lorsque leur distribution est inconnue, conduisant à l'absence de données étiquetées lors de l'entraînement.Les modèles de diffusion sont des candidats attrayants puisqu'ils sont excellents pour apprendre la distribution des données.Une fois apprise, on peut exploiter la distribution des données normales pour identifier les anomalies.Auparavant, l'erreur de reconstruction était utilisée à cette fin, mais elle est coûteuse en termes de calcul en raison de la nécessité de faire plusieurs prédictions.Plutôt, nous proposons une méthode qui apprend directement le temps de diffusion, estimant la distance entre une instance et la variété des données, améliorant ainsi l'efficacité et la vitesse.Nous démontrons empiriquement des performances concurrentes à plusieurs algorithmes de référence sur un banc d'essaie complet de détection d'anomalies.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.