論文の概要: Segmentation over Complexity: Evaluating Ensemble and Hybrid Approaches for Anomaly Detection in Industrial Time Series

• arxiv url: http://arxiv.org/abs/2510.26159v1
• Date: Thu, 30 Oct 2025 05:39:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.672903
• Title: Segmentation over Complexity: Evaluating Ensemble and Hybrid Approaches for Anomaly Detection in Industrial Time Series
• Title（参考訳）: 複雑度に対するセグメンテーション:産業時系列における異常検出のためのアンサンブルとハイブリッドアプローチの評価
• Authors: Emilio Mastriani, Alessandro Costa, Federico Incardona, Kevin Munari, Sebastiano Spinello,
• Abstract要約: 本研究では,変化点に基づく統計的特徴,クラスタリングに基づくサブ構造表現,およびハイブリッド学習戦略が検出性能に与える影響を評価する。 アンサンブルは0.976のAUC-ROC、F1スコア0.41のAUC-ROC、および定義された時間窓内での早期検出を100%達成した。
• 参考スコア（独自算出の注目度）: 36.94429692322632
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study, we investigate the effectiveness of advanced feature engineering and hybrid model architectures for anomaly detection in a multivariate industrial time series, focusing on a steam turbine system. We evaluate the impact of change point-derived statistical features, clustering-based substructure representations, and hybrid learning strategies on detection performance. Despite their theoretical appeal, these complex approaches consistently underperformed compared to a simple Random Forest + XGBoost ensemble trained on segmented data. The ensemble achieved an AUC-ROC of 0.976, F1-score of 0.41, and 100% early detection within the defined time window. Our findings highlight that, in scenarios with highly imbalanced and temporally uncertain data, model simplicity combined with optimized segmentation can outperform more sophisticated architectures, offering greater robustness, interpretability, and operational utility.
• Abstract（参考訳）: 本研究では, 蒸気タービンシステムに着目した多変量産業時系列における異常検出における高度な特徴工学とハイブリッドモデルアーキテクチャの有効性について検討した。 本研究では,変化点に基づく統計的特徴,クラスタリングに基づくサブ構造表現,およびハイブリッド学習戦略が検出性能に与える影響を評価する。 理論上の魅力にもかかわらず、これらの複雑なアプローチは、分割データに基づいて訓練された単純なランダムフォレスト+XGBoostアンサンブルと比べて一貫して性能が劣った。 アンサンブルは0.976のAUC-ROC、F1スコア0.41のAUC-ROC、および定義された時間窓内での早期検出を100%達成した。 極めて不均衡で時間的に不確実なデータを持つシナリオでは、最適化されたセグメンテーションと組み合わせたモデル単純さは、より高度なアーキテクチャよりも優れ、より堅牢性、解釈可能性、操作性を提供します。

関連論文リスト

• Improving Anomaly Detection in Industrial Time Series: The Role of Segmentation and Heterogeneous Ensemble [36.94429692322632]
  異種アンサンブルと組み合わさったセグメンテーション技術の統合は,産業生産における異常検出をいかに向上させるかを示す。 我々はAUC-ROC計量を0.8599(PCAとLSTMのアンサンブルで達成)から0.9760(ランダムフォレストとXGBoostで達成)に改善する。 今後の研究では,変化点研究から得られた重み付き特徴とセグメント化と異種アンサンブルの併用による利点を評価し,早期異常検出におけるモデル性能をさらに最適化する。
  論文  参考訳（メタデータ） (2025-10-10T07:24:47Z)
• Chain-of-Retrieval Augmented Generation [91.02950964802454]
  本稿では,o1-like RAGモデルを学習し,最終回答を生成する前に段階的に関連情報を抽出・推論する手法を提案する。 提案手法であるCoRAGは,進化状態に基づいて動的にクエリを再構成する。
  論文  参考訳（メタデータ） (2025-01-24T09:12:52Z)
• Hybrid Ensemble Deep Graph Temporal Clustering for Spatiotemporal Data [0.37083047471478225]
  多変量時間データ解析のためのハイブリッドアンサンブルグラフクラスタリング(HEDGTC)法を提案する。 HEDGTCは、従来のクラスタリングからノイズや誤分類に対処するためのデュアルコンセンサスアプローチを採用している。 3つの実世界のデータセットで評価すると、HEDGTCは最先端のアンサンブルクラスタリングモデルより優れている。
  論文  参考訳（メタデータ） (2024-09-19T09:14:10Z)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• Bayesian Complementary Kernelized Learning for Multidimensional Spatiotemporal Data [11.763229353978321]
  補足型並列学習(BCKL)のための新しい統計フレームワークを提案する。 BCKLは、正確な後部平均値と高品質の不確実性推定を提供することで優れた性能を提供する。
  論文  参考訳（メタデータ） (2022-08-21T22:38:54Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• Temporal-Structure-Assisted Gradient Aggregation for Over-the-Air Federated Edge Learning [24.248673415586413]
  本稿では,モデル集約系列の固有時間構造を特徴付けるマルコフ確率モデルを提案する。 本研究では,時間構造支援勾配集約(TSA-GA)と呼ばれるメッセージパッシングアルゴリズムを開発し,この推定課題を満たす。 提案するtsagaアルゴリズムは最先端技術を大幅に上回り,同等の学習性能を達成可能であることを示す。
  論文  参考訳（メタデータ） (2021-03-03T09:13:27Z)

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。