Fugu-MT 論文翻訳(概要): TriP-LLM: A Tri-Branch Patch-wise Large Language Model Framework for Time-Series Anomaly Detection

論文の概要: TriP-LLM: A Tri-Branch Patch-wise Large Language Model Framework for Time-Series Anomaly Detection

arxiv url: http://arxiv.org/abs/2508.00047v1
Date: Thu, 31 Jul 2025 16:36:54 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-04 18:08:53.604155
Title: TriP-LLM: A Tri-Branch Patch-wise Large Language Model Framework for Time-Series Anomaly Detection
Title（参考訳）: TriP-LLM: 時系列異常検出のための三分岐パッチワイド大言語モデルフレームワーク
Authors: Yuan-Cheng Yu, Yen-Chieh Ouyang, Chun-An Lin,
Abstract要約: 時系列異常検出は、広範囲のアプリケーションドメインで中心的な役割を果たす。 TriP-LLMは、Tri-branch設計、Selection、Global-toエンコードすることで、ローカルとグローバルの時間的特徴を統合する。軽量パッチワイドデコーダは、異常スコアが導出される入力を再構成する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Time-series anomaly detection plays a central role across a wide range of application domains. With the increasing proliferation of the Internet of Things (IoT) and smart manufacturing, time-series data has dramatically increased in both scale and dimensionality. This growth has exposed the limitations of traditional statistical methods in handling the high heterogeneity and complexity of such data. Inspired by the recent success of large language models (LLMs) in multimodal tasks across language and vision domains, we propose a novel unsupervised anomaly detection framework: A Tri-Branch Patch-wise Large Language Model Framework for Time-Series Anomaly Detection (TriP-LLM). TriP-LLM integrates local and global temporal features through a tri-branch design-Patching, Selection, and Global-to encode the input time series into patch-wise tokens, which are then processed by a frozen, pretrained LLM. A lightweight patch-wise decoder reconstructs the input, from which anomaly scores are derived. We evaluate TriP-LLM on several public benchmark datasets using PATE, a recently proposed threshold-free evaluation metric, and conduct all comparisons within a unified open-source framework to ensure fairness. Experimental results show that TriP-LLM consistently outperforms recent state-of-the-art methods across all datasets, demonstrating strong detection capabilities. Furthermore, through extensive ablation studies, we verify the substantial contribution of the LLM to the overall architecture. Compared to LLM-based approaches using Channel Independence (CI) patch processing, TriP-LLM achieves significantly lower memory consumption, making it more suitable for GPU memory-constrained environments. All code and model checkpoints are publicly available on https://github.com/YYZStart/TriP-LLM.git
Abstract（参考訳）: 時系列異常検出は、広範囲のアプリケーションドメインで中心的な役割を果たす。 IoT(Internet of Things)やスマートマニュファクチャリング(スマートマニュファクチャリング)の普及に伴い、時系列データはスケールと次元の両方で劇的に増加している。この成長は、そのようなデータの高い不均一性と複雑さを扱う従来の統計手法の限界を明らかにしている。近年,言語や視覚領域における多モーダルタスクにおける大規模言語モデル(LLM)の成功に触発されて,TriP-LLM (TriP-LLM) と呼ばれる新しい非教師付き異常検出フレームワークを提案する。 TriP-LLMは、Tri-branchデザインパッチ、選択、Global-toエンコードすることで、ローカルとグローバルの時間的特徴を統合する。軽量パッチワイドデコーダは、異常スコアが導出される入力を再構成する。我々は、最近提案されたしきい値のない評価指標であるPATEを用いて、いくつかの公開ベンチマークデータセット上でTriP-LLMを評価し、統一されたオープンソースフレームワーク内で全ての比較を行い、公平性を確保する。実験結果から、TriP-LLMはすべてのデータセットで最新の最先端メソッドを一貫して上回り、強力な検出能力を示している。さらに、広範囲にわたるアブレーション研究を通じて、LLMのアーキテクチャ全体への実質的な貢献を検証する。チャネル独立性(CI)パッチ処理を用いたLLMベースのアプローチと比較して、TriP-LLMはメモリ消費を著しく低減し、GPUメモリに制約のある環境に適している。すべてのコードとモデルチェックポイントはhttps://github.com/YYZStart/TriP-LLM.gitで公開されている。

関連論文リスト

xLSTMAD: A Powerful xLSTM-based Method for Anomaly Detection [0.794682109939797]
フルエンコーダ・デコーダxLSTMアーキテクチャを統合した最初の異常検出手法であるxLSTMADを提案する。実世界の17のデータセットにまたがる包括的TSB-AD-Mベンチマークを用いて,本手法の評価を行った。以上の結果から、xLSTMは最先端の精度を示し、23の異常検出基準を上回りました。
論文参考訳（メタデータ） (2025-06-28T10:39:09Z)
Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
論文参考訳（メタデータ） (2025-06-26T11:53:59Z)
Logo-LLM: Local and Global Modeling with Large Language Models for Time Series Forecasting [6.537801724497769]
時系列予測は複数のドメインで重要であり、時系列データはローカルパターンとグローバル依存関係の両方を示す。大規模言語モデル(LLM)を時系列予測に適用する最近の手法は、LCMをブラックボックスエンコーダとして扱うことにより、この制限を継承する。マルチスケールの時間的特徴を明示的に抽出し,モデル化する新しいLLMベースのフレームワークであるLogo-LLMを提案する。
論文参考訳（メタデータ） (2025-05-16T09:10:49Z)
CoLLM: A Large Language Model for Composed Image Retrieval [76.29725148964368]
Composed Image Retrieval (CIR)は、マルチモーダルクエリに基づいた画像検索を目的とした複雑なタスクである。本稿では,イメージキャプションペアからトリプレットをオンザフライで生成するワンストップフレームワークであるCoLLMを提案する。我々はLarge Language Models (LLMs) を利用して参照画像の埋め込みと修正テキストを生成する。
論文参考訳（メタデータ） (2025-03-25T17:59:50Z)
Efficient Time Series Forecasting via Hyper-Complex Models and Frequency Aggregation [1.024113475677323]
時系列予測は、統計学と機械学習における長年の問題である。本稿では、新しい複合価値アーキテクチャに基づく周波数情報集約(FIA)ネットワークを提案する。各種時系列ベンチマークを用いてFIA-Netを評価し,提案手法が精度と効率の両面で既存の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2025-02-27T11:03:37Z)
A Picture is Worth A Thousand Numbers: Enabling LLMs Reason about Time Series via Visualization [38.843506917740115]
我々は,大規模言語モデルの時系列推論(TsR)性能を評価するための,最初の総合的なテストベッドであるTimerBedを提案する。そこで本稿では,可視化モデルデータと言語誘導推論を用いたプロンプトベースのVL-Timeを提案する。
論文参考訳（メタデータ） (2024-11-09T00:35:29Z)
Uni$^2$Det: Unified and Universal Framework for Prompt-Guided Multi-dataset 3D Detection [64.08296187555095]
Uni$2$Detは3D検出のための統一的で普遍的なマルチデータセットトレーニングのためのフレームワークである。マルチデータセット3D検出のためのマルチステージプロンプトモジュールを提案する。ゼロショットクロスデータセット転送の結果は,提案手法の一般化能力を検証する。
論文参考訳（メタデータ） (2024-09-30T17:57:50Z)
A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい手法のモジュラーフレームワークであるADerの総合的な視覚異常検出ベンチマークを提案する。このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文参考訳（メタデータ） (2024-06-05T13:40:07Z)
PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文参考訳（メタデータ） (2024-06-04T13:51:08Z)
PatchAD: A Lightweight Patch-based MLP-Mixer for Time Series Anomaly Detection [11.236001767352676]
時系列解析における異常検出は重要な課題であるが、ラベル不足シナリオにおける正常パターンと異常パターンを識別することが課題となっている。我々は,表現抽出と異常検出にコントラスト学習を利用する新しいマルチスケールパッチベースのMixerアーキテクチャであるPatchADを提案する。
論文参考訳（メタデータ） (2024-01-18T08:26:33Z)
Memory-Based Optimization Methods for Model-Agnostic Meta-Learning and Personalized Federated Learning [56.17603785248675]
モデルに依存しないメタラーニング (MAML) が人気のある研究分野となっている。既存のMAMLアルゴリズムは、イテレーション毎にメタモデルを更新するためにいくつかのタスクとデータポイントをサンプリングすることで、エピソードのアイデアに依存している。本稿では,MAMLのメモリベースアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-06-09T08:47:58Z)
Multimodal-Aware Weakly Supervised Metric Learning with Self-weighting Triplet Loss [2.010312620798609]
MDaML (MultimoDal Aware weakly supervised Metric Learning) と呼ばれる新しい弱教師付きメトリック学習アルゴリズムを提案する。 MDaMLは、データ空間を複数のクラスタに分割し、各サンプルのローカルクラスタセンターとウェイトを割り当てる。 13のデータセットで実験を行い、提案したMDaMLの優位性を検証した。
論文参考訳（メタデータ） (2021-02-03T07:27:05Z)
Exploring Data Augmentation for Multi-Modality 3D Object Detection [82.9988604088494]
ポイントクラウドとイメージに基づくマルチモダリティメソッドは、ポイントクラウドのみを使用するアプローチよりも、わずかに良いか、時には悪いだけである。トランスフォーメーションフローと呼ばれるパイプラインを提案し、トランスフォーメーションのリバースとリプレイによってシングルモードとマルチモードのデータ拡張のギャップを埋める。また,本手法は第3回nuScenes検出チャレンジでPKL賞を受賞した。
論文参考訳（メタデータ） (2020-12-23T15:23:16Z)

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。