論文の概要: Drift-Aware Variational Autoencoder-based Anomaly Detection with Two-level Ensembling

• arxiv url: http://arxiv.org/abs/2602.12976v1
• Date: Fri, 13 Feb 2026 14:53:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:53.988925
• Title: Drift-Aware Variational Autoencoder-based Anomaly Detection with Two-level Ensembling
• Title（参考訳）: ドリフト対応変分オートエンコーダによる2レベル組立による異常検出
• Authors: Jin Li, Kleanthis Malialis, Christos G. Panayiotou, Marios M. Polycarpou,
• Abstract要約: 本稿では,漸進的な学習と2段階のアンサンブルを用いて異常予測を行うVAE++ESDDを提案する。 実世界のデータセットと合成データセットを用いて包括的実験を行う。 本研究は,提案手法が強いベースラインと最先端の手法の両方を著しく上回ることを示す。
• 参考スコア（独自算出の注目度）: 9.077595042522288
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In today's digital world, the generation of vast amounts of streaming data in various domains has become ubiquitous. However, many of these data are unlabeled, making it challenging to identify events, particularly anomalies. This task becomes even more formidable in nonstationary environments where model performance can deteriorate over time due to concept drift. To address these challenges, this paper presents a novel method, VAE++ESDD, which employs incremental learning and two-level ensembling: an ensemble of Variational AutoEncoder(VAEs) for anomaly prediction, along with an ensemble of concept drift detectors. Each drift detector utilizes a statistical-based concept drift mechanism. To evaluate the effectiveness of VAE++ESDD, we conduct a comprehensive experimental study using real-world and synthetic datasets characterized by severely or extremely low anomalous rates and various drift characteristics. Our study reveals that the proposed method significantly outperforms both strong baselines and state-of-the-art methods.
• Abstract（参考訳）: 今日のデジタル世界では、様々な領域における膨大なストリーミングデータの生成が至るところで行われている。 しかし、これらのデータの多くはラベル付けされていないため、イベント、特に異常を識別することは困難である。 このタスクは、概念の漂流によりモデル性能が時間とともに悪化する非定常環境において、さらに深刻なものとなる。 これらの課題に対処するために,段階的な学習と2段階のアンサンブル(VAE)を用いた新しい手法であるVAE++ESDD(VAE++ESDD)を提案する。 各ドリフト検出器は統計に基づく概念ドリフト機構を利用する。 VAE++ESDDの有効性を評価するため,本研究では,高度または極端に低い異常速度と様々なドリフト特性を特徴とする実世界および合成データセットを用いた総合的な実験を行った。 本研究は,提案手法が強いベースラインと最先端の手法の両方を著しく上回ることを示す。

関連論文リスト

• Robust Outlier Detection and Low-Latency Concept Drift Adaptation for Data Stream Regression: A Dual-Channel Architecture [9.977810035655805]
  外乱検出と概念ドリフト検出は、データ分析における2つの課題である。 本稿では,関節外乱と概念ドリフト検出のための新しい頑健な回帰フレームワークを提案する。 EWMAD-DTにより強化された本フレームワークは,点アウトレーヤやコンセプトドリフトが共存しても優れた検出性能を示す。
  論文  参考訳（メタデータ） (2025-12-13T11:17:47Z)
• A Neighbor-Searching Discrepancy-based Drift Detection Scheme for Learning Evolving Data [40.00357483768265]
  本研究では,Nighbor-Searching Discrepancyに基づく新しい概念ドリフト検出手法を提案する。 提案手法は,仮想ドリフトを無視しながら,実概念ドリフトを高精度に検出することができる。 また、ある階級の侵略や撤退を特定することで、分類境界の変化の方向を示すこともできる。
  論文  参考訳（メタデータ） (2024-05-23T04:03:36Z)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Autoencoder-based Anomaly Detection in Streaming Data with Incremental Learning and Concept Drift Adaptation [10.41066461952124]
  ドリフト検出(strAEm++DD)を用いた自動エンコーダに基づく漸進学習手法を提案する。 提案手法は,逐次学習とドリフト検出の両方の利点を利用する。 我々は,重度あるいは極度のクラス不均衡を持つ実世界のデータセットと合成データセットを用いて実験を行い,StraAEm++DDの実証分析を行った。
  論文  参考訳（メタデータ） (2023-05-15T19:40:04Z)
• Detecting Concept Drift in the Presence of Sparsity -- A Case Study of Automated Change Risk Assessment System [0.8021979227281782]
  文学におけるテクスティットパリシティ(textitsparsity)と呼ばれる欠落値は、多くの実世界のデータセットの共通の特徴である。 本研究では,異なる種類の疎性に対する様々な統計およびMLに基づくデータ計算手法の欠落した値のパターンについて検討する。 次に、異なるメトリクスに基づいて、欠落した値を持つデータセットを与えられた最良のコンセプトドリフト検出器を選択する。
  論文  参考訳（メタデータ） (2022-07-27T04:27:49Z)
• SHIFT: A Synthetic Driving Dataset for Continuous Multi-Task Domain Adaptation [152.60469768559878]
  ShiFTは、自動運転のための最大規模のマルチタスク合成データセットである。 曇り、雨と霧の強さ、昼の時間、車と歩行者の密度を個別に連続的に変化させる。 私たちのデータセットとベンチマークツールキットはwww.vis.xyz/shift.comで公開されています。
  論文  参考訳（メタデータ） (2022-06-16T17:59:52Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
  オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。 異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
  論文  参考訳（メタデータ） (2021-07-28T10:19:58Z)

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。