論文の概要: Enhancing Time-Series Anomaly Detection by Integrating Spectral-Residual Bottom-Up Attention with Reservoir Computing

• arxiv url: http://arxiv.org/abs/2510.14287v1
• Date: Thu, 16 Oct 2025 04:17:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.718333
• Title: Enhancing Time-Series Anomaly Detection by Integrating Spectral-Residual Bottom-Up Attention with Reservoir Computing
• Title（参考訳）: 貯留層計算による分光残差上昇注意統合による時系列異常検出の強化
• Authors: Hayato Nihei, Sou Nobukawa, Yusuke Sakemi, Kazuyuki Aihara,
• Abstract要約: 貯留層計算(Reservoir Computing, RC)は、入力信号に対するリカレントニューラルネットワークの高次元応答を利用して時系列データの処理の基礎を確立する。 この単純さは特にエッジ人工知能(AI)アプリケーションで注目を集めている。 スペクトル残差(SR-RC)法をRCと統合したスペクトル残差RC(SR-RC)を提案する。
• 参考スコア（独自算出の注目度）: 1.5119440099674917
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reservoir computing (RC) establishes the basis for the processing of time-series data by exploiting the high-dimensional spatiotemporal response of a recurrent neural network to an input signal. In particular, RC trains only the output layer weights. This simplicity has drawn attention especially in Edge Artificial Intelligence (AI) applications. Edge AI enables time-series anomaly detection in real time, which is important because detection delays can lead to serious incidents. However, achieving adequate anomaly-detection performance with RC alone may require an unacceptably large reservoir on resource-constrained edge devices. Without enlarging the reservoir, attention mechanisms can improve accuracy, although they may require substantial computation and undermine the learning efficiency of RC. In this study, to improve the anomaly detection performance of RC without sacrificing learning efficiency, we propose a spectral residual RC (SR-RC) that integrates the spectral residual (SR) method - a learning-free, bottom-up attention mechanism - with RC. We demonstrated that SR-RC outperformed conventional RC and logistic-regression models based on values extracted by the SR method across benchmark tasks and real-world time-series datasets. Moreover, because the SR method, similarly to RC, is well suited for hardware implementation, SR-RC suggests a practical direction for deploying RC as Edge AI for time-series anomaly detection.
• Abstract（参考訳）: 貯留層計算(RC)は、入力信号に対するリカレントニューラルネットワークの高次元時空間応答を利用して時系列データの処理の基礎を確立する。 特にRC列車は出力層のみを牽引する。 この単純さは特にエッジ人工知能(AI)アプリケーションで注目を集めている。 Edge AIは時系列の異常検出をリアルタイムで実現している。 しかし、RC単独で適切な異常検出性能を達成するには、リソース制約されたエッジデバイスにおいて、許容できないほど大きな貯水池を必要とする可能性がある。 貯水池を拡大しなければ、注意機構は精度を向上させることができるが、かなりの計算が必要であり、RCの学習効率を損なう可能性がある。 本研究では,学習効率を犠牲にすることなくRCの異常検出性能を向上させるために,スペクトル残差(SR)法をRCと統合したスペクトル残差RC(SR-RC)を提案する。 我々は、SR-RCが従来のRCとロジスティック回帰モデルより優れており、ベンチマークタスクや実世界の時系列データセット間でSR法によって抽出された値に基づいていることを示した。 さらに、SR法はハードウェア実装に適しているため、SR-RCは時系列異常検出のためのエッジAIとしてRCをデプロイする実用的な方向を示唆している。

関連論文リスト

• Integrated Sensing, Communication, and Computation for Over-the-Air Federated Edge Learning [52.904670248426626]
  本稿では,統合されたセンサ,通信,計算機能を備えた空対空フェデレーションエッジ・ラーニング(Air-FEEL)システムについて検討する。 バッチサイズ制御とネットワークリソース割り当てを交互に最適化することにより、低複雑さI SCCアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2025-08-21T02:46:46Z)
• Probing Deep into Temporal Profile Makes the Infrared Small Target Detector Much Better [63.567886330598945]
  赤外線小目標(IRST)検出は、精度、普遍性、堅牢性、効率的な性能を同時に達成する上で困難である。 現在の学習に基づく手法は、空間的領域と短期的領域の両方から"より多くの情報を活用する。 本稿では、IRST検出のための時間次元でのみ計算を行う効率的な深部プローブネットワーク(DeepPro)を提案する。
  論文  参考訳（メタデータ） (2025-06-15T08:19:32Z)
• Hybridizing Traditional and Next-Generation Reservoir Computing to Accurately and Efficiently Forecast Dynamical Systems [0.0]
  Reservoir Computer (RC) は時系列予測のための強力な機械学習アーキテクチャである。 次世代貯水池コンピュータ (NGRC) が導入された。 本稿では,動的システムの時系列予測のためのハイブリッドRC-NGRC手法を提案する。
  論文  参考訳（メタデータ） (2024-03-04T17:35:17Z)
• Universal Approximation of Linear Time-Invariant (LTI) Systems through RNNs: Power of Randomness in Reservoir Computing [19.995241682744567]
  貯留層計算(Reservoir Computing, RC)は、リカレントウェイトがランダム化され、トレーニングされていない特別なRNNである。 RCは一般線形時間不変系(LTI)を普遍的に近似できることを示す。
  論文  参考訳（メタデータ） (2023-08-04T17:04:13Z)
• Disentangled Causal Graph Learning for Online Unsupervised Root Cause Analysis [49.910053255238566]
  ルート原因分析(RCA)は、システム監視データを分析することにより、システム障害/障害の根本原因を特定することができる。 従来の研究は主にオフラインのRCAアルゴリズムの開発に重点を置いており、しばしば手動でRCAプロセスを開始する必要がある。 我々は、RCAプロセスを自動的に起動し、RCAモデルを漸進的に更新できる新しいオンラインRCAフレームワークであるCORALを提案する。
  論文  参考訳（メタデータ） (2023-05-18T01:27:48Z)
• Embedding Theory of Reservoir Computing and Reducing Reservoir Network Using Time Delays [6.543793376734818]
  貯留層計算(Reservoir Computing, RC)は、複雑な物理系の再構築や予測において、その異常な有効性と高い性能のために爆発的な発展を遂げている。 ここでは、RCがもともと入力された非線形力学系の高次元埋め込みであることを厳密に証明する。 我々は、いくつかの代表的な物理系を再構成し予測するためにRCのネットワークサイズを著しく削減し、より驚くべきことに、時間遅延のある単一ニューロン貯水池のみを用いることで、これらのタスクを達成するのに十分な場合がある。
  論文  参考訳（メタデータ） (2023-03-16T02:25:51Z)
• Deep Spectrum Cartography: Completing Radio Map Tensors Using Learned Neural Models [44.609368050610044]
  ディープニューラルネットワーク(DNN)は、データから基盤構造を“学習”することができる。 本研究では,エミッタラジオマップの解離に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-01T07:04:09Z)

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。