アメイ・パサルカル (Amey Pasarkar) 氏とアジ・ブッソ・ディエン (Adji Bousso Dieng) 氏らは2026年11月9日(現地時間)、機械学習における異常検知（AD）の新たな手法として、「Vendi Anomaly Score (VAS)」を提案したと発表した。VASは、データサンプルがデータセットの多様性に与える変化を定量化することで異常を検出する。この手法は、既存のAD手法が抱える局所密度や隔離ヒューリスティクスへの依存を解消し、ハイパーパラメータ調整が不要で、データセット規模に線形にスケーリングするとされており、効率的かつ高精度な異常検知を実現すると報告されている。
研究者らは、異常検知を多様性の観点から捉えることでVendi Anomaly Score (VAS) を構築した。このアプローチでは、データセットから特定のサンプルが除外された際に、ヴェンディスコア (Vendi score) によって測定されるデータセットの多様性がどの程度変化するかを定量化し、この変化度合いに基づいて異常を特定する。ヴェンディスコアは、もともと生態学的多様性の研究分野で用いられてきた尺度である。
本手法は、従来のAD手法がしばしば依存してきた密度推定やパーティショニングヒューリスティクスに頼ることなく、データセット内の局所的な冗長性と全体的なデータ構造の両方を捉えることを可能にする。また、VASは非パラメトリックな特性を持ち、ハイパーパラメータの調整を一切必要としない点が特筆される。これにより、モデルはデータのスペクトル構造に自動的に適応し、さまざまなデータセットに対して汎用的に適用できる柔軟性を提供する。さらに、その設計により、データセットのサイズに対して線形にスケーリングするため、大規模なデータセットに対しても効率的な処理が可能である。
VASの性能検証は広範囲にわたって行われた。10のソースデータセットと4つの埋め込みアーキテクチャから派生した計148のベンチマーク埋め込みデータセットを用いた実験では、既存の最先端の異常検知性能を達成したと報告されている。さらに、大規模なImageNetデータセットを用いた実験においても、異常データ（汚染率）の増加やデータセット規模の拡大に伴い、その堅牢性が維持されることが示された。この研究成果は、ニューリップス (NeurIPS) 2026メイン・トラックに採択されている。
参考: arXiv cs.LG (アーカイブ) — 2026年11月10日 03:56 (JST)