論文の概要: Vacuum Spiker: A Spiking Neural Network-Based Model for Efficient Anomaly Detection in Time Series

• arxiv url: http://arxiv.org/abs/2510.06910v1
• Date: Wed, 08 Oct 2025 11:43:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.45934
• Title: Vacuum Spiker: A Spiking Neural Network-Based Model for Efficient Anomaly Detection in Time Series
• Title（参考訳）: 真空スパイカー: 時系列における効率的な異常検出のためのスパイクニューラルネットワークベースモデル
• Authors: Iago Xabier Vázquez, Javier Sedano, Muhammad Afzal, Ángel Miguel García-Vico,
• Abstract要約: 異常検出は、業界、医療、サイバーセキュリティといった分野における重要なタスクである。 本稿では,時系列における異常検出のための新しいスパイキングニューラルネットワーク方式であるtextitVacuum Spikerアルゴリズムを提案する。 新たな検出基準が組み込まれており、復元や予測エラーよりも、脳活動のグローバルな変化に依存している。
• 参考スコア（独自算出の注目度）: 0.4129847064263055
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection is a key task across domains such as industry, healthcare, and cybersecurity. Many real-world anomaly detection problems involve analyzing multiple features over time, making time series analysis a natural approach for such problems. While deep learning models have achieved strong performance in this field, their trend to exhibit high energy consumption limits their deployment in resource-constrained environments such as IoT devices, edge computing platforms, and wearables. To address this challenge, this paper introduces the \textit{Vacuum Spiker algorithm}, a novel Spiking Neural Network-based method for anomaly detection in time series. It incorporates a new detection criterion that relies on global changes in neural activity rather than reconstruction or prediction error. It is trained using Spike Time-Dependent Plasticity in a novel way, intended to induce changes in neural activity when anomalies occur. A new efficient encoding scheme is also proposed, which discretizes the input space into non-overlapping intervals, assigning each to a single neuron. This strategy encodes information with a single spike per time step, improving energy efficiency compared to conventional encoding methods. Experimental results on publicly available datasets show that the proposed algorithm achieves competitive performance while significantly reducing energy consumption, compared to a wide set of deep learning and machine learning baselines. Furthermore, its practical utility is validated in a real-world case study, where the model successfully identifies power curtailment events in a solar inverter. These results highlight its potential for sustainable and efficient anomaly detection.
• Abstract（参考訳）: 異常検出は、業界、医療、サイバーセキュリティといった分野における重要なタスクである。 多くの実世界の異常検出問題は、時間とともに複数の特徴を分析し、時系列解析をそのような問題に対する自然なアプローチにする。 ディープラーニングモデルはこの分野で強力なパフォーマンスを達成したが、高エネルギー消費を示す傾向は、IoTデバイスやエッジコンピューティングプラットフォーム、ウェアラブルといったリソース制約のある環境へのデプロイメントを制限する。 この課題に対処するために、時系列における異常検出のための新しいスパイキングニューラルネットワーク方式である「textit{Vacuum Spiker algorithm」を提案する。 新たな検出基準が組み込まれており、復元や予測エラーよりも、脳活動のグローバルな変化に依存している。 スパイク時間依存塑性(Spike Time-Dependent Plasticity)を用いて、新しい方法でトレーニングされ、異常が発生した時に神経活動の変化を誘発することを目的としている。 入力空間を重複しない間隔に離散化し、それぞれを単一ニューロンに割り当てる、新しい効率的な符号化方式も提案されている。 この戦略は、従来の符号化方式に比べてエネルギー効率を向上し、タイムステップ毎に1回のスパイクで情報をエンコードする。 公開データセットを用いた実験結果から,提案アルゴリズムは,幅広いディープラーニングと機械学習ベースラインと比較して,エネルギー消費を大幅に削減しつつ,競争性能を向上することが示された。 さらに、実際のケーススタディでは、太陽インバータにおける電力削減現象の同定に成功している。 これらの結果は、持続的で効率的な異常検出の可能性を強調している。

関連論文リスト

• Anomaly Detection in Time Series Data Using Reinforcement Learning, Variational Autoencoder, and Active Learning [0.8287206589886879]
  このアプローチは、データセンタやセンサネットワーク、ファイナンスといった領域において重要なものだ。 本手法は, 深層強化学習(DRL)と変分オートエンコーダ(VAE)とアクティブラーニングを組み合わせることで, これらの制約を克服する。
  論文  参考訳（メタデータ） (2025-04-03T19:41:52Z)
• A Novel Spatiotemporal Correlation Anomaly Detection Method Based on Time-Frequency-Domain Feature Fusion and a Dynamic Graph Neural Network in Wireless Sensor Network [9.031267813814118]
  アテンションベースのトランスフォーマーは、長期依存を捕捉する能力により、無線センサネットワーク(WSN)のタイミング異常検出において重要な役割を担っている。 本稿では,周波数領域の特徴を動的グラフニューラルネットワーク(GNN)と統合したWSN異常検出手法を提案する。
  論文  参考訳（メタデータ） (2025-02-25T04:34:18Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Deep Generative model with Hierarchical Latent Factors for Time Series Anomaly Detection [40.21502451136054]
  本研究は、時系列異常検出のための新しい生成モデルであるDGHLを提示する。 トップダウンの畳み込みネットワークは、新しい階層的な潜在空間を時系列ウィンドウにマッピングし、時間ダイナミクスを利用して情報を効率的にエンコードする。 提案手法は,4つのベンチマーク・データセットにおいて,現在の最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-02-15T17:19:44Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Fast Wireless Sensor Anomaly Detection based on Data Stream in Edge Computing Enabled Smart Greenhouse [5.716360276016705]
  エッジコンピューティングを有効にするスマート温室は、IoT技術の代表的なアプリケーションである。 従来の異常検出アルゴリズムは、無線センサによって生成されたデータストリームの特性を適切に考慮していない。
  論文  参考訳（メタデータ） (2021-07-28T13:32:12Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• RobustTAD: Robust Time Series Anomaly Detection via Decomposition and Convolutional Neural Networks [37.16594704493679]
  本稿では,ロバスト時系列異常検出フレームワークRobustTADを提案する。 時系列データのために、堅牢な季節差分解と畳み込みニューラルネットワークを統合する。 パブリックオンラインサービスとしてデプロイされ、Alibaba Groupのさまざまなビジネスシナリオで広く採用されている。
  論文  参考訳（メタデータ） (2020-02-21T20:43:45Z)

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。