論文の概要: STAR: Boosting Time Series Foundation Models for Anomaly Detection through State-aware Adapter

• arxiv url: http://arxiv.org/abs/2510.16014v1
• Date: Wed, 15 Oct 2025 08:17:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.772477
• Title: STAR: Boosting Time Series Foundation Models for Anomaly Detection through State-aware Adapter
• Title（参考訳）: STAR:状態認識アダプタによる異常検出のための時系列基礎モデル
• Authors: Hanyin Cheng, Ruitong Zhang, Yuning Lu, Peng Chen, Meng Wang, Yang Shu, Bin Yang, Chenjuan Guo,
• Abstract要約: STAR(State-aware AdapteR)は、時系列基礎モデル(TSFM)の能力を高めるために設計されたプラグイン・アンド・プレイモジュールである。 我々は、学習可能なステートメモリを通じて状態変数の複雑な分類的セマンティクスをキャプチャするアイデンティティ誘導ステートを設計する。 本研究では,現状条件付き低ランク適応パラメータを動的に生成し,バックボーンモデルに状態変数の影響を柔軟に注入する条件付きボトルネック適応器を提案する。
• 参考スコア（独自算出の注目度）: 24.52196317132433
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While Time Series Foundation Models (TSFMs) have demonstrated remarkable success in Multivariate Time Series Anomaly Detection (MTSAD), however, in real-world industrial scenarios, many time series comprise not only numerical variables such as temperature and flow, but also numerous discrete state variables that describe the system status, such as valve on/off or day of the week. Existing TSFMs often overlook the distinct categorical nature of state variables and their critical role as conditions, typically treating them uniformly with numerical variables. This inappropriate modeling approach prevents the model from fully leveraging state information and even leads to a significant degradation in detection performance after state variables are integrated. To address this critical limitation, this paper proposes a novel STate-aware AdapteR (STAR). STAR is a plug-and-play module designed to enhance the capability of TSFMs in modeling and leveraging state variables during the fine-tuning stage. Specifically, STAR comprisesthree core components: (1) We design an Identity-guided State Encoder, whicheffectively captures the complex categorical semantics of state variables through a learnable State Memory. (2) We propose a Conditional Bottleneck Adapter, which dynamically generates low-rank adaptation parameters conditioned on the current state, thereby flexibly injecting the influence of state variables into the backbone model. (3) We also introduce a Numeral-State Matching module to more effectively detect anomalies inherent to the state variables themselves. Extensive experiments conducted on real-world datasets demonstrate that STAR can improve the performance of existing TSFMs on MTSAD.
• Abstract（参考訳）: 時系列ファウンデーションモデル(TSFM)は多変量時系列異常検出(MTSAD)において顕著な成功を収めてきたが、現実の産業シナリオでは、多くの時系列は温度や流れなどの数値変数だけでなく、バルブオン/オフや日などのシステム状態を記述する多くの離散状態変数で構成されている。 既存のTSFMは、状態変数の明確な分類学的性質と、それらの重要な役割を条件として見落とし、典型的には数値変数でそれらを一様に扱う。 この不適切なモデリングアプローチは、状態情報が完全に活用されることを防ぎ、状態変数が統合された後に検出性能が著しく低下する。 そこで本研究では,STAR(State-aware AdapteR)を提案する。 STARは、微調整段階における状態変数のモデリングと活用におけるTSFMの能力を高めるために設計されたプラグアンドプレイモジュールである。 特にSTARは3つのコアコンポーネントから構成される: 1) 学習可能なステートメモリを通して状態変数の複雑な分類的セマンティクスを効果的にキャプチャするID誘導状態エンコーダを設計する。 2) バックボーンモデルに状態変数の影響を柔軟に注入する条件付きボトルネック適応器を提案する。 (3) 状態変数自体に固有の異常をより効果的に検出するNumeral-State Matchingモジュールも導入する。 実世界のデータセットで実施された大規模な実験は、STARが既存のTSFMの性能を向上させることを実証している。

関連論文リスト

• Artificial Intelligence-Based Multiscale Temporal Modeling for Anomaly Detection in Cloud Services [10.421371572062595]
  本研究では,マルチスケール特徴認識を統合したTransformerアーキテクチャに基づく異常検出手法を提案する。 提案手法は,精度,リコール,AUC,F1スコアなどの主要な指標において,主流のベースラインモデルより優れている。
  論文  参考訳（メタデータ） (2025-08-20T07:52:36Z)
• FlowState: Sampling Rate Invariant Time Series Forecasting [0.7999703756441756]
  FlowStateは、新しい時系列基礎モデル(TSFM)アーキテクチャである。 本質的に全ての可能な時間分解能を一般化し、予測する地平線を動的に調整する。 GIFT-ZSとChronos-ZSベンチマークの最先端である。
  論文  参考訳（メタデータ） (2025-08-07T11:30:26Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• Multistep Inverse Is Not All You Need [87.62730694973696]
  実世界の制御環境では、観測空間は不要に高次元であり、時間関連ノイズにさらされることが多い。 したがって、観測空間を制御関連変数のより単純な空間にマッピングするエンコーダを学ぶことが望ましい。 本稿では,多段階逆予測と遅延フォワードモデルを組み合わせた新しいアルゴリズムACDFを提案する。
  論文  参考訳（メタデータ） (2024-03-18T16:36:01Z)
• OpenPI-C: A Better Benchmark and Stronger Baseline for Open-Vocabulary State Tracking [55.62705574507595]
  OpenPIは、オープン語彙状態トラッキング用に注釈付けされた唯一のデータセットである。 手順レベル,ステップレベル,状態変化レベルの3つの問題を分類する。 評価指標として,クラスタベースの計量法を提案する。
  論文  参考訳（メタデータ） (2023-06-01T16:48:20Z)
• Deep Neural Dynamic Bayesian Networks applied to EEG sleep spindles modeling [0.0]
  本稿では,視覚的スコアリングにおいて専門家が積極的に実施する制約を組み込んだ単一チャネル脳波生成モデルを提案する。 我々は、一般化期待最大化の特別な場合として、正確に、抽出可能な推論のためのアルゴリズムを導出する。 我々は、このモデルを3つの公開データセット上で検証し、より複雑なモデルが最先端の検出器を越えられるように支援する。
  論文  参考訳（メタデータ） (2020-10-16T21:48:29Z)

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。