論文の概要: VSCOUT: A Hybrid Variational Autoencoder Approach to Outlier Detection in High-Dimensional Retrospective Monitoring

• arxiv url: http://arxiv.org/abs/2601.20830v1
• Date: Wed, 28 Jan 2026 18:30:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:07.093231
• Title: VSCOUT: A Hybrid Variational Autoencoder Approach to Outlier Detection in High-Dimensional Retrospective Monitoring
• Title（参考訳）: VSCOUT:高次元レトロスペクティブモニタリングにおける外乱検出のためのハイブリッド変分オートエンコーダアプローチ
• Authors: Waldyn G. Martinez,
• Abstract要約: VSCOUTは、高次元設定での振り返り(Phase I)監視のために設計された、配布不要のフレームワークである。 VSCOUTは、制御された偽アラームを維持しながら、特別な原因構造に対する優れた感度を実現する。 そのスケーラビリティ、分散柔軟性、レジリエンスは、AI対応環境でのリフレクションモデリングと異常検出の実用的で効果的な方法としてVSCOUTを位置づけている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern industrial and service processes generate high-dimensional, non-Gaussian, and contamination-prone data that challenge the foundational assumptions of classical Statistical Process Control (SPC). Heavy tails, multimodality, nonlinear dependencies, and sparse special-cause observations can distort baseline estimation, mask true anomalies, and prevent reliable identification of an in-control (IC) reference set. To address these challenges, we introduce VSCOUT, a distribution-free framework designed specifically for retrospective (Phase I) monitoring in high-dimensional settings. VSCOUT combines an Automatic Relevance Determination Variational Autoencoder (ARD-VAE) architecture with ensemble-based latent outlier filtering and changepoint detection. The ARD prior isolates the most informative latent dimensions, while the ensemble and changepoint filters identify pointwise and structural contamination within the determined latent space. A second-stage retraining step removes flagged observations and re-estimates the latent structure using only the retained inliers, mitigating masking and stabilizing the IC latent manifold. This two-stage refinement produces a clean and reliable IC baseline suitable for subsequent Phase II deployment. Extensive experiments across benchmark datasets demonstrate that VSCOUT achieves superior sensitivity to special-cause structure while maintaining controlled false alarms, outperforming classical SPC procedures, robust estimators, and modern machine-learning baselines. Its scalability, distributional flexibility, and resilience to complex contamination patterns position VSCOUT as a practical and effective method for retrospective modeling and anomaly detection in AI-enabled environments.
• Abstract（参考訳）: 現代の産業・サービスプロセスは、古典的統計プロセス制御(SPC)の基本前提に挑戦する高次元、非ガウス的で汚染しやすいデータを生成する。 ヘビーテール、多モード性、非線形依存性、スパースな特別な観測は、基準線の推定を歪め、真の異常をマスクし、制御内(IC)参照セットの信頼性の確認を防ぐことができる。 これらの課題に対処するために,高次元環境下でのレトロスペクティブ(Phase I)監視に特化して設計された分散フリーフレームワークであるVSCOUTを紹介した。 VSCOUTは、ARD-VAEアーキテクチャとアンサンブルベースの潜在外乱フィルタと変更点検出を組み合わせた自動関連決定変分自動エンコーダ(ARD-VAE)アーキテクチャである。 ARDは最も情報性の高い潜伏次元を事前に分離し、アンサンブルと変化点フィルタは決定された潜伏空間内の点的および構造的汚染を識別する。 第2段階の再訓練ステップは、フラグ付き観測を除去し、保持されたインリアのみを使用して潜伏構造を再推定し、マスクを緩和し、IC潜伏多様体を安定化する。 この2段階の改良により、第2フェーズの展開に適したクリーンで信頼性の高いICベースラインが作られる。 ベンチマークデータセットにわたる大規模な実験により、VSCOUTは、制御された偽アラームを維持しながら、特別な原因構造に対する優れた感度を実現し、古典的なSPCプロシージャ、堅牢な推定器、モダンな機械学習ベースラインを上回ることが示されている。 そのスケーラビリティ、分散柔軟性、複雑な汚染パターンに対するレジリエンスは、AI対応環境でのリフレクションモデリングと異常検出の実践的で効果的な方法としてVSCOUTを位置づけている。

関連論文リスト

• Unsupervised Anomaly Detection in Multi-Agent Trajectory Prediction via Transformer-Based Models [45.08545174556591]
  マルチエージェントトランスを用いた教師なし異常検出フレームワークを提案する。 検出安定性と物理的アライメントの両方を評価するための二重評価手法が提案されている。 本フレームワークでは,時間対衝突および統計ベースラインに欠落した388個の特異な異常を同定する。
  論文  参考訳（メタデータ） (2026-01-28T08:33:10Z)
• Deep Learning Approach to Anomaly Detection in Enterprise ETL Processes with Autoencoders [10.829077063619247]
  この研究はまず、遅延、欠落した値、重複ロード、突然の異常な変化など、プロセス内の複数のタイプの異常を分析します。 手法設計では,エンコーダ・デコーダ構造は高次元の入力を潜在表現に圧縮して再構成し,再構成誤差を用いて異常レベルを測定する。 その結果、ディープオートエンコーダに基づく検出機構は、企業レベルのデータストリームにおける遅延分布パターンを効果的にキャプチャできることを示した。
  論文  参考訳（メタデータ） (2025-11-01T09:06:26Z)
• Unsupervised Detection of Spatiotemporal Anomalies in PMU Data Using Transformer-Based BiGAN [0.0]
  T-BiGANは、双方向生成逆数ネットワーク(BiGAN)内でウィンドウアテンション変換を行うフレームワークである。 エンコーダデコーダはアーキテクチャをキャプチャし、識別器はサイクル整合性を適用して遅延空間を真のデータ分布と整合させる。 異常は、再構成誤差、潜時空間ドリフト、判別器の信頼性を組み合わせた適応スコアを用いてリアルタイムでフラグ付けされる。
  論文  参考訳（メタデータ） (2025-09-30T00:16:35Z)
• SCADE: Scalable Framework for Anomaly Detection in High-Performance System [0.0]
  コマンドラインインタフェースは高性能コンピューティング環境に不可欠な存在である。 従来のセキュリティソリューションでは、コンテキスト固有の性質、ラベル付きデータの欠如、LOL(Living-off-the-Land)のような高度な攻撃の頻度による異常の検出に苦労している。 本稿では,グローバル統計モデルと局所的文脈特化分析を組み合わせた拡張型コマンドライン異常検出エンジン(SCADE)について紹介する。
  論文  参考訳（メタデータ） (2024-12-05T15:39:13Z)
• Sensor-fusion based Prognostics for Deep-space Habitats Exhibiting Multiple Unlabeled Failure Modes [1.5379084885764847]
  深宇宙の生息地は、地上のメンテナンスなしに長期にわたって自律的に運用しなければならない複雑なシステムである。 これらのシステムは、モード固有の方法で異なるサブシステムやセンサーに影響を与える複数の、しばしば未知の障害モードに対して脆弱である。 本稿では,潜在故障モードを共同で識別し,情報センサを選択する,教師なしの診断フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-19T01:52:59Z)
• Convolutional Neural Network Design and Evaluation for Real-Time Multivariate Time Series Fault Detection in Spacecraft Attitude Sensors [41.94295877935867]
  本稿では,ドローンのような宇宙船の加速度計および慣性測定ユニット内のスタンプ値を検出するための新しい手法を提案する。 マルチチャネル畳み込みニューラルネットワーク(CNN)は、マルチターゲット分類を実行し、センサ内の障害を独立に検出するために使用される。 ネットワークの異常を効果的に検出し,システムレベルでの回復動作をトリガーする統合手法を提案する。
  論文  参考訳（メタデータ） (2024-10-11T09:36:38Z)
• Evaluating ML Robustness in GNSS Interference Classification, Characterization & Localization [42.14439854721613]
  ジャミング装置はグローバルナビゲーション衛星システム(GNSS)からの信号を妨害する 本稿では、低周波アンテナから得られたスナップショットからなる広範囲なデータセットを提案する。 本研究の目的は,機械学習モデル(ML)の環境変化に対するレジリエンスを評価することである。
  論文  参考訳（メタデータ） (2024-09-23T15:20:33Z)
• Reshaping the Online Data Buffering and Organizing Mechanism for Continual Test-Time Adaptation [49.53202761595912]
  継続的なテスト時間適応は、訓練済みのソースモデルを適用して、教師なしのターゲットドメインを継続的に変更する。 我々は、オンライン環境、教師なしの自然、エラー蓄積や破滅的な忘れのリスクなど、このタスクの課題を分析する。 教師なしシングルパスデータストリームから重要サンプルを高い確実性で識別・集約する不確実性を考慮したバッファリング手法を提案する。
  論文  参考訳（メタデータ） (2024-07-12T15:48:40Z)

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。