[論文レビュー] Anomaly Detection via Mean Shift Density Enhancement

Pritam Kar, Rahul Bordoloi+2 more|arXiv (Cornell University)|Feb 3, 2026

Anomaly Detection Techniques and Applications被引用数 0

ひとこと要約

MSDEは適応的でUMAP情報を用いた重みと重み付き平均シフトプロセスを用いた教師なし異常検知フレームワークであり、異常は点が密度モードへ向かう累積変位によってスコア付けされる。

ABSTRACT

Unsupervised anomaly detection stands as an important problem in machine learning, with applications in financial fraud prevention, network security and medical diagnostics. Existing unsupervised anomaly detection algorithms rarely perform well across different anomaly types, often excelling only under specific structural assumptions. This lack of robustness also becomes particularly evident under noisy settings. We propose Mean Shift Density Enhancement (MSDE), a fully unsupervised framework that detects anomalies through their geometric response to density-driven manifold evolution. MSDE is based on the principle that normal samples, being well supported by local density, remain stable under iterative density enhancement, whereas anomalous samples undergo large cumulative displacements as they are attracted toward nearby density modes. To operationalize this idea, MSDE employs a weighted mean-shift procedure with adaptive, sample-specific density weights derived from a UMAP-based fuzzy neighborhood graph. Anomaly scores are defined by the total displacement accumulated across a small number of mean-shift iterations. We evaluate MSDE on the ADBench benchmark, comprising forty six real-world tabular datasets, four realistic anomaly generation mechanisms, and six noise levels. Compared to 13 established unsupervised baselines, MSDE achieves consistently strong, balanced and robust performance for AUC-ROC, AUC-PR, and Precision@n, at several noise levels and on average over several types of anomalies. These results demonstrate that displacement-based scoring provides a robust alternative to the existing state-of-the-art for unsupervised anomaly detection.

研究の動機と目的

• ヘテロジニアスな異常タイプとノイズレベルを横断する堅牢な教師なし異常検知を動機づける。
• 密度駆動の多様体進化を活用する幾何ベースの手法を開発する。
• UMAPベースのファジィ近傍グラフから導出された適応的でサンプル固有の密度重みを導入する。
• 異常スコアを平均シフト反復中の総変位として定義する。

提案手法

• 各平均シフト反復時に更新される適応的なk近傍グラフを構築する。
• マルチレート密度推定を用いてUMAPベースのファジィ近傍グラフからサンプル固有の重みを計算する。
• これらの重みを用いて学習した多様体上で重み付き平均シフトを実行し、点の変位を得る。
• 反復ごとに各点の変位を蓄積し、累積の動きのシグモイド正規化スケールを介して異常スコアを形成する。
• ノイズレベルを跨ぐADB ench (46の実世界データセット、4つの異常モード、3つの種) を用いて、13の教師なしベースラインと比較して評価する。

(a) AUC-ROC

実験結果

リサーチクエスチョン

• RQ1 多様な異常タイプに対して変位ベースの密度強化アプローチが安定かつ堅牢な異常検知を提供できるか。
• RQ2 UMAP由来の重みを用いた多様体適応型平均シフトは、ノイズ下および異常モード間で古典的な教師なし検出器を上回るか。
• RQ3 MSDEはゼロおよびノイズ条件下でADBenchベンチマークの最先端ベースラインと比較してどの程度の性能を示すか。

主な発見

Method	Avg AUC-ROC	Avg AUC-PR	Avg Precision@n
MSDE	0.922	0.714	0.694
KNN	0.910	0.676	0.655
IForest	0.908	0.667	0.638
CBLOF	0.904	0.689	0.667
SOD	0.878	0.637	0.617
PCA	0.865	0.641	0.616
OCSVM	0.856	0.650	0.621
HBOS	0.853	0.632	0.600
COPOD	0.855	0.624	0.588
ECOD	0.852	0.625	0.585
LODA	0.847	0.612	0.583
COF	0.815	0.568	0.545
LOF	0.794	0.574	0.555
DAGMM	0.822	0.516	0.499

• MSDEはゼロノイズ条件で4つの合成異常モードに対するAUC-ROC、AUC-PR、Precision@nの平均で最高を達成。
• ゼロノイズ条件下でMSDEの平均はAUC-ROC 0.922、AUC-PR 0.714、Precision@n 0.694で、平均的に13ベースラインを上回る（Table 4）。
• MSDEはノイズの増加に対して頑健さを示し、競争力のある性能を維持し、一部のベースラインで見られる急激な劣化を回避（Table 5の議論）。
• MSDEは依存性、クラスター、グローバル、ローカル異常タイプのすべてに対して一貫して強力で、モード間のバランスの取れた性能が特に際立つ。
• 定性的な可視化は、MSDEが幾何的不安定性を通じて意味的な不規則性を捉えることを示す（例：Figure 2のMNIST例）。

(b) AUC-PR