論文の概要: SGEMAS: A Self-Growing Ephemeral Multi-Agent System for Unsupervised Online Anomaly Detection via Entropic Homeostasis

• arxiv url: http://arxiv.org/abs/2512.14708v1
• Date: Mon, 08 Dec 2025 00:43:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:26.669054
• Title: SGEMAS: A Self-Growing Ephemeral Multi-Agent System for Unsupervised Online Anomaly Detection via Entropic Homeostasis
• Title（参考訳）: SGEMAS: エントロピー型ホメオスタシスによる教師なしオンライン異常検出のための自己成長型マルチエージェントシステム
• Authors: Mustapha Hamdi,
• Abstract要約: SGEMAS(Self-Growing Ephemeral Multi-Agent System)は,知能を動的熱力学的プロセスとして扱うバイオインスパイアされたアーキテクチャである。 SGEMAS v3.3は、患者間の難易度の高いゼロショット設定で0.570+-0.070の平均AUCを達成し、より単純な変種と標準のオートエンコーダベースラインの両方を上回っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current deep learning approaches for physiological signal monitoring suffer from static topologies and constant energy consumption. We introduce SGEMAS (Self-Growing Ephemeral Multi-Agent System), a bio-inspired architecture that treats intelligence as a dynamic thermodynamic process. By coupling a structural plasticity mechanism (agent birth death) to a variational free energy objective, the system naturally evolves to minimize prediction error with extreme sparsity. An ablation study on the MIT-BIH Arrhythmia Database reveals that adding a multi-scale instability index to the agent dynamics significantly improves performance. In a challenging inter-patient, zero-shot setting, the final SGEMAS v3.3 model achieves a mean AUC of 0.570 +- 0.070, outperforming both its simpler variants and a standard autoencoder baseline. This result validates that a physics-based, energy-constrained model can achieve robust unsupervised anomaly detection, offering a promising direction for efficient biomedical AI.
• Abstract（参考訳）: 生理学的信号モニタリングの最近のディープラーニングアプローチは、静的トポロジーと一定のエネルギー消費に悩まされている。 SGEMAS(Self-Growing Ephemeral Multi-Agent System)は,知能を動的熱力学的プロセスとして扱うバイオインスパイアされたアーキテクチャである。 構造的可塑性機構(エージェント誕生死)を変動自由エネルギー目標に結合することにより、システムは極端に間隔のある予測誤差を最小限に抑えるために自然に進化する。 MIT-BIH Arrhythmia Databaseのアブレーション研究によると、エージェントのダイナミックスにマルチスケールの不安定性指数を追加することで、パフォーマンスが大幅に向上する。 SGEMAS v3.3は、患者間の難易度の高いゼロショット設定で0.570+-0.070の平均AUCを達成し、より単純な変種と標準のオートエンコーダベースラインの両方を上回っている。 この結果は、物理に基づくエネルギー制約モデルが、効率的なバイオメディカルAIのための有望な方向を提供する、堅牢な教師なし異常検出を実現することを実証する。

関連論文リスト

• From Agentification to Self-Evolving Agentic AI for Wireless Networks: Concepts, Approaches, and Future Research Directions [70.72279728350763]
  自律進化型エージェント人工知能(AI)は、将来の無線システムに新しいパラダイムを提供する。 静的AIモデルとは異なり、自己進化エージェントは、モデルやツールを更新し、環境ダイナミクスに対応する自律進化サイクルを組み込む。 本稿では,自己進化型エージェントAIの概要を概説し,その階層化アーキテクチャ,ライフサイクル,鍵となる技術について述べる。
  論文  参考訳（メタデータ） (2025-10-07T05:45:25Z)
• HOTSPOT-YOLO: A Lightweight Deep Learning Attention-Driven Model for Detecting Thermal Anomalies in Drone-Based Solar Photovoltaic Inspections [0.685316573653194]
  HotSPOT-YOLOは、効率的な畳み込みニューラルネットワークバックボーンとアテンションメカニズムを統合して、オブジェクト検出を改善する軽量人工知能(AI)モデルである。 この研究は、再生可能エネルギーシステムにおける自動故障検出に革命をもたらす、高度なAI技術と実用的なエンジニアリングアプリケーションとの統合を強調している。
  論文  参考訳（メタデータ） (2025-08-26T10:35:24Z)
• Physics-Embedded Neural ODEs for Sim2Real Edge Digital Twins of Hybrid Power Electronics Systems [6.073480880825787]
  エッジデジタルツイン(EDT)は電力電子システム(PES)の監視と制御に不可欠である 既存のモデリングアプローチは、PESに固有の継続的な進化するハイブリッドダイナミクスを継続的に捉えるのに苦労している。 本稿では,複合動作機構をイベントオートマトンとして組み込んで,スイッチング離散を明示的に制御する物理埋め込み型ニューラルネットワーク(PENODE)を提案する。
  論文  参考訳（メタデータ） (2025-08-04T20:34:13Z)
• EnviroPiNet: A Physics-Guided AI Model for Predicting Biofilter Performance [0.9895793818721335]
  本稿では,Buckingham Pi理論のバイオフィルタ性能のモデル化への応用について述べる。 この次元削減技術は、予測精度を高める意味のある無次元変数を識別する。 本研究では,従来のデータ駆動方式と比較した物理誘導モデルであるEnviroPiNetを開発した。
  論文  参考訳（メタデータ） (2025-04-24T13:52:51Z)
• Hybrid Temporal Differential Consistency Autoencoder for Efficient and Sustainable Anomaly Detection in Cyber-Physical Systems [0.0]
  重要なインフラ、特に配水システムに対するサイバー攻撃は、急速なデジタル化により増加した。 本研究では,センサデータの時間相関を利用した異常検出における重要な課題に対処する。 本稿では,決定論的ノードと従来の統計ノードの両方を組み込んでTDCを拡張するハイブリッドTDC-AEという,ハイブリッドオートエンコーダに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2025-04-08T09:22:44Z)
• TANGO: Time-Reversal Latent GraphODE for Multi-Agent Dynamical Systems [43.39754726042369]
  連続グラフニューラルネットワークに基づく常微分方程式(GraphODE)により予測される前後の軌跡を整列するソフト制約として,単純かつ効果的な自己監督型正規化項を提案する。 時間反転対称性を効果的に課し、古典力学の下でより広い範囲の力学系にわたってより正確なモデル予測を可能にする。 様々な物理システムに対する実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-10-10T08:52:16Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Limited-angle tomographic reconstruction of dense layered objects by dynamical machine learning [68.9515120904028]
  強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。 このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。 我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
  論文  参考訳（メタデータ） (2020-07-21T11:48:22Z)

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。