Buchumschlag

Beyond Individual Input for Deep Anomaly Detection on Tabular Data

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Thimonier, Hugo, Popineau, Fabrice, Rimmel, Arpad, Doan, Bich-Liên
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Retrieval Augmented Deep Anomaly Detection for Tabular Data
von: Thimonier, Hugo, et al.
Veröffentlicht: (2024)

TracInAD: Measuring Influence for Anomaly Detection
von: Thimonier, Hugo, et al.
Veröffentlicht: (2022)

T-JEPA: Augmentation-Free Self-Supervised Learning for Tabular Data
von: Thimonier, Hugo, et al.
Veröffentlicht: (2024)

Benchmarking Robustness of Deep Reinforcement Learning approaches to Online Portfolio Management
von: Velay, Marc, et al.
Veröffentlicht: (2023)

High Performance, Low Reliability: Uncertainty Benchmarking for Tabular Foundation Models
von: Costa, José Lucas De Melo, et al.
Veröffentlicht: (2026)

Contextual Learning for Anomaly Detection in Tabular Data
von: King, Spencer, et al.
Veröffentlicht: (2025)

Towards One-for-All Anomaly Detection for Tabular Data
von: Li, Shiyuan, et al.
Veröffentlicht: (2026)

Diffusion-Scheduled Denoising Autoencoders for Anomaly Detection in Tabular Data
von: Sattarov, Timur, et al.
Veröffentlicht: (2025)

Anomaly Detection of Tabular Data Using LLMs
von: Li, Aodong, et al.
Veröffentlicht: (2024)

AnoGAN for Tabular Data: A Novel Approach to Anomaly Detection
von: Singh, Aditya, et al.
Veröffentlicht: (2024)

Unsupervised Anomaly Detection for Tabular Data Using Noise Evaluation
von: Dai, Wei, et al.
Veröffentlicht: (2024)

Benchmarking Anomaly Detection Algorithms: Deep Learning and Beyond
von: Mehta, Shanay, et al.
Veröffentlicht: (2024)

Disentangling Tabular Data Towards Better One-Class Anomaly Detection
von: Ye, Jianan, et al.
Veröffentlicht: (2024)

Calibrating Tabular Anomaly Detection via Optimal Transport
von: Ye, Hangting, et al.
Veröffentlicht: (2026)

Multiple-Input Variational Auto-Encoder for Anomaly Detection in Heterogeneous Data
von: Dinh, Phai Vu, et al.
Veröffentlicht: (2025)

EmoSLLM: Parameter-Efficient Adaptation of LLMs for Speech Emotion Recognition
von: Thimonier, Hugo, et al.
Veröffentlicht: (2025)

Interpretable Deep Clustering for Tabular Data
von: Svirsky, Jonathan, et al.
Veröffentlicht: (2023)

Why the Counterintuitive Phenomenon of Likelihood Rarely Appears in Tabular Anomaly Detection with Deep Generative Models?
von: Kim, Donghwan, et al.
Veröffentlicht: (2026)

FedAD-Bench: A Unified Benchmark for Federated Unsupervised Anomaly Detection in Tabular Data
von: Anwar, Ahmed, et al.
Veröffentlicht: (2024)

Kurtosis-Guided Denoising Score Matching for Tabular Anomaly Detection
von: Livernoche, Victor, et al.
Veröffentlicht: (2026)

Investigating Mask-aware Prototype Learning for Tabular Anomaly Detection
von: Lu, Ruiying, et al.
Veröffentlicht: (2025)

ICLAD: In-Context Learning for Unified Tabular Anomaly Detection Across Supervision Regimes
von: Wei, Jack Yi, et al.
Veröffentlicht: (2026)

Attention-Based Deep Learning for Early Parkinson's Disease Detection with Tabular Biomedical Data
von: Oseni, Olamide Samuel, et al.
Veröffentlicht: (2026)

Deep Feature Embedding for Tabular Data
von: Wu, Yuqian, et al.
Veröffentlicht: (2024)

A Survey on Deep Learning Approaches for Tabular Data Generation: Utility, Alignment, Fidelity, Privacy, Diversity, and Beyond
von: Stoian, Mihaela Cătălina, et al.
Veröffentlicht: (2025)

Revisiting Nearest Neighbor for Tabular Data: A Deep Tabular Baseline Two Decades Later
von: Ye, Han-Jia, et al.
Veröffentlicht: (2024)

Unveiling the Role of Data Uncertainty in Tabular Deep Learning
von: Kartashev, Nikolay, et al.
Veröffentlicht: (2025)

Towards Interpretable Deep Neural Networks for Tabular Data
von: Elhadri, Khawla, et al.
Veröffentlicht: (2025)

DASVDD: Deep Autoencoding Support Vector Data Descriptor for Anomaly Detection
von: Hojjati, Hadi, et al.
Veröffentlicht: (2021)

LLM Embeddings for Deep Learning on Tabular Data
von: Koloski, Boshko, et al.
Veröffentlicht: (2025)

Tabular Foundation Models are Strong Graph Anomaly Detectors
von: Liu, Yunhui, et al.
Veröffentlicht: (2026)

Multi-Agent Debate: A Unified Agentic Framework for Tabular Anomaly Detection
von: Wang, Pinqiao, et al.
Veröffentlicht: (2026)

LoMETab: Beyond Rank-1 Ensembles for Tabular Deep Learning
von: Choi, Changryeol, et al.
Veröffentlicht: (2026)

Detecting Semantic Backdoors in a Mystery Shopping Scenario
von: Berta, Arpad, et al.
Veröffentlicht: (2026)

A Deep Learning Approach to Anomaly Detection in High-Frequency Trading Data
von: Bao, Qiuliuyang, et al.
Veröffentlicht: (2025)

Deep Positive-Unlabeled Anomaly Detection for Contaminated Unlabeled Data
von: Takahashi, Hiroshi, et al.
Veröffentlicht: (2024)

Deep Tabular Representation Corrector
von: Ye, Hangting, et al.
Veröffentlicht: (2026)

Improving Deep Tabular Learning
von: Sarafian, Sivan, et al.
Veröffentlicht: (2025)

Tabular Data: Is Deep Learning all you need?
von: Zabërgja, Guri, et al.
Veröffentlicht: (2024)

ReTabAD: A Benchmark for Restoring Semantic Context in Tabular Anomaly Detection
von: Yoon, Sanghyu, et al.
Veröffentlicht: (2025)