論文の概要: Multivariate Time-series Anomaly Detection via Dynamic Model Pool & Ensembling

• arxiv url: http://arxiv.org/abs/2601.02037v1
• Date: Mon, 05 Jan 2026 11:48:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:23.053024
• Title: Multivariate Time-series Anomaly Detection via Dynamic Model Pool & Ensembling
• Title（参考訳）: 動的モデルプールと組立による多変量時系列異常検出
• Authors: Wei Hu, Zewei Yu, Jianqiu Xu,
• Abstract要約: MTS異常検出のための動的モデルプールおよび組立フレームワークDMPEADを提案する。 我々のモデルはすべてのベースラインを上回り、優れた適応性とスケーラビリティを示します。
• 参考スコア（独自算出の注目度）: 10.831568759799657
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multivariate time-series (MTS) anomaly detection is critical in domains such as service monitor, IoT, and network security. While multi-model methods based on selection or ensembling outperform single-model ones, they still face limitations: (i) selection methods rely on a single chosen model and are sensitive to the strategy; (ii) ensembling methods often combine all models or are restricted to univariate data; and (iii) most methods depend on fixed data dimensionality, limiting scalability. To address these, we propose DMPEAD, a Dynamic Model Pool and Ensembling framework for MTS Anomaly Detection. The framework first (i) constructs a diverse model pool via parameter transfer and diversity metric, then (ii) updates it with a meta-model and similarity-based strategy for adaptive pool expansion, subset selection, and pool merging, finally (iii) ensembles top-ranked models through proxy metric ranking and top-k aggregation in the selected subset, outputting the final anomaly detection result. Extensive experiments on 8 real-world datasets show that our model outperforms all baselines, demonstrating superior adaptability and scalability.
• Abstract（参考訳）: 多変量時系列(MTS)異常検出は、サービスモニタ、IoT、ネットワークセキュリティなどの領域において重要である。 選択やアンサンブルに基づくマルチモデルメソッドは単モデルよりも優れていますが、それでも制限に直面しています。 (i)選択方法は、単一の選択されたモデルに依存し、戦略に敏感である。 二 合理化法は、しばしばすべてのモデルを組み合わせて、又は単変量データに制限される。 (iii)ほとんどのメソッドは、拡張性を制限する固定されたデータ次元に依存します。 そこで本研究では,MTS異常検出のための動的モデルプールおよび組立フレームワークであるDMPEADを提案する。 第一の枠組み (i)パラメータ転送と多様性測定により、多様なモデルプールを構築する。 (II)アダプティブプール展開、サブセット選択、プールマージのためのメタモデルと類似性に基づく戦略で更新。 第三に、選択されたサブセットにおいて、プロキシメトリックランキングとトップkアグリゲーションを通じて上位モデルのアンサンブルを行い、最終的な異常検出結果を出力する。 8つの実世界のデータセットに対する大規模な実験により、我々のモデルはすべてのベースラインを上回り、優れた適応性とスケーラビリティを示します。

関連論文リスト

• Merge and Guide: Unifying Model Merging and Guided Decoding for Controllable Multi-Objective Generation [49.98025799046136]
  Merge-And-GuidEは、ガイド付きデコーディングにモデルマージを利用する2段階のフレームワークである。 ステージ1では、MAGEはガイダンスとベースモデルの互換性の問題を解決する。 ステージ2では、明示的で暗黙的な値モデルを統一的なガイダンスプロキシにマージします。
  論文  参考訳（メタデータ） (2025-10-04T11:10:07Z)
• Black-box Model Merging for Language-Model-as-a-Service with Massive Model Repositories [21.899117703417517]
  進化的アルゴリズム(Evo-Merging)に基づく微分自由最適化フレームワークを提案する。 提案手法は,(1) モデル間の不適切な情報や冗長な情報を識別・フィルタリングする疎結合型デノベーション,(2) 関連モデルに対する最適な組合せ重み付けを動的に計算するシグナック・アウェア・スケーリングの2つの重要な要素から構成される。 提案手法は,様々なタスクにおける最先端の成果を達成し,既存の強靭なベースラインを著しく上回っている。
  論文  参考訳（メタデータ） (2025-09-16T10:55:50Z)
• AdaMMS: Model Merging for Heterogeneous Multimodal Large Language Models with Unsupervised Coefficient Optimization [86.8133939108057]
  異種MLLMに適した新しいモデルマージ手法であるAdaMMSを提案する。 提案手法は,マッピング,マージ,検索という3段階の課題に対処する。 ラベル付きデータ無しで異種MLLMをマージできる最初のモデルマージ手法として、AdaMMSは様々なビジョンベンチマークで過去のモデルマージ手法より優れている。
  論文  参考訳（メタデータ） (2025-03-31T05:13:02Z)
• SM3Det: A Unified Model for Multi-Modal Remote Sensing Object Detection [79.58755811919366]
  本稿では,リモートセンシングのためのマルチモーダルデータセットとマルチタスクオブジェクト検出(M2Det)という新しいタスクを提案する。 水平方向または指向方向の物体を、あらゆるセンサーから正確に検出するように設計されている。 この課題は、1)マルチモーダルモデリングの管理に関わるトレードオフ、2)マルチタスク最適化の複雑さに起因する。
  論文  参考訳（メタデータ） (2024-12-30T02:47:51Z)
• Efficient and Effective Weight-Ensembling Mixture of Experts for Multi-Task Model Merging [111.8456671452411]
  マルチタスク学習(MTL)は、共有モデルを利用して複数のタスクを遂行し、知識伝達を促進する。 マルチタスクモデル統合のためのウェイトエンセブリング・ミックス・オブ・エキスパート(WEMoE)手法を提案する。 WEMoEとE-WEMoEは, MTL性能, 一般化, 堅牢性の観点から, 最先端(SOTA)モデルマージ法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-29T07:16:31Z)
• Analytic Continual Test-Time Adaptation for Multi-Modality Corruption [31.698362898530124]
  テスト時間適応(TTA)は、未ラベルのテストデータを使用して、トレーニング済みのモデルがソースとターゲットデータセット間のギャップを埋めることを可能にする。 テスト時間適応(TTA)は、未ラベルのテストデータを使用して、トレーニング済みのモデルがソースとターゲットデータセット間のギャップを埋めることを可能にする。
  論文  参考訳（メタデータ） (2024-10-29T01:21:24Z)
• CONTRAST: Continual Multi-source Adaptation to Dynamic Distributions [42.293444710522294]
  Continual Multi-source Adaptation to Dynamic Distributions (CONTRAST) は、複数のソースモデルを最適に組み合わせて動的テストデータに適応する新しい手法である。 提案手法は,ソースモデルを最適に組み合わせ,モデル更新の優先順位付けを最小限に行うことができることを示す。
  論文  参考訳（メタデータ） (2024-01-04T22:23:56Z)

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。