論文の概要: Benchmarking IoT Time-Series AD with Event-Level Augmentations

• arxiv url: http://arxiv.org/abs/2602.15457v1
• Date: Tue, 17 Feb 2026 09:45:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-18 16:03:18.024185
• Title: Benchmarking IoT Time-Series AD with Event-Level Augmentations
• Title（参考訳）: IoT Time-Series ADのベンチマークとイベントレベル拡張
• Authors: Dmitry Zhevnenko, Ilya Makarov, Aleksandr Kovalenko, Fedor Meshchaninov, Anton Kozhukhov, Vladislav Travnikov, Makar Ippolitov, Kirill Yashunin, Iurii Katser,
• Abstract要約: 実世界の問題をシミュレートする統合されたイベントレベル拡張による評価プロトコルを提案する。 5つの公開異常データセット上で14の代表的なモデルを評価する。
• 参考スコア（独自算出の注目度）: 34.864214444544565
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Anomaly detection (AD) for safety-critical IoT time series should be judged at the event level: reliability and earliness under realistic perturbations. Yet many studies still emphasize point-level results on curated base datasets, limiting value for model selection in practice. We introduce an evaluation protocol with unified event-level augmentations that simulate real-world issues: calibrated sensor dropout, linear and log drift, additive noise, and window shifts. We also perform sensor-level probing via mask-as-missing zeroing with per-channel influence estimation to support root-cause analysis. We evaluate 14 representative models on five public anomaly datasets (SWaT, WADI, SMD, SKAB, TEP) and two industrial datasets (steam turbine, nuclear turbogenerator) using unified splits and event aggregation. There is no universal winner: graph-structured models transfer best under dropout and long events (e.g., on SWaT under additive noise F1 drops 0.804->0.677 for a graph autoencoder, 0.759->0.680 for a graph-attention variant, and 0.762->0.756 for a hybrid graph attention model); density/flow models work well on clean stationary plants but can be fragile to monotone drift; spectral CNNs lead when periodicity is strong; reconstruction autoencoders become competitive after basic sensor vetting; predictive/hybrid dynamics help when faults break temporal dependencies but remain window-sensitive. The protocol also informs design choices: on SWaT under log drift, replacing normalizing flows with Gaussian density reduces high-stress F1 from ~0.75 to ~0.57, and fixing a learned DAG gives a small clean-set gain (~0.5-1.0 points) but increases drift sensitivity by ~8x.
• Abstract（参考訳）: 安全クリティカルなIoT時系列の異常検出(AD)は、信頼性と現実的な摂動下でのイヤーラインという、イベントレベルで判断する必要がある。 しかし、多くの研究は、実際にモデル選択の値を制限するため、キュレートされたベースデータセットのポイントレベルの結果を強調している。 本稿では,センサドロップアウトの校正,リニアドリフトとログドリフト,付加雑音,ウィンドウシフトといった実世界の問題をシミュレートしたイベントレベル拡張による評価プロトコルを提案する。 また,根本原因分析を支援するために,チャネルごとの影響推定によるマスク・アズ・サス・ゼロ化によるセンサレベルの探索を行う。 我々は,5つの公共異常データセット(SWaT,WADI,SMD,SKAB,TEP)と2つの産業的データセット(蒸気タービン,原子力ターボジェネレータ)について,統合分割とイベントアグリゲーションを用いて14の代表モデルを評価する。 グラフ構造化モデルは、ドロップアウトとロングイベントの下で最高の転送を行う(例えば、加算ノイズF1では、グラフオートエンコーダでは0.804->0.677、グラフアテンションモデルでは0.759->0.680、ハイブリッドグラフアテンションモデルでは0.762->0.756)。 ログドリフト下のSWaTでは、正規化フローをガウス密度に置き換えることで、高いストレスF1を ~0.75 から ~0.57 に低減し、学習したDAG を固定すると、小さなクリーンセットゲイン(~0.5-1.0 ポイント)が得られるが、ドリフト感度は ~8倍に向上する。

関連論文リスト

• Improving Real-Time Concept Drift Detection using a Hybrid Transformer-Autoencoder Framework [0.0]
  応用機械学習では、概念ドリフトはモデルの性能を著しく低下させる。 本研究では,複雑な時間力学をモデル化するためのトランスフォーマーとオートエンコーダを組み合わせたハイブリッドフレームワークを提案する。 以上の結果から,トランスフォーメーション・オートエンコーダは,文献で一般的に用いられるオートエンコーダよりも早く,より感度の高いドリフトを検出した。
  論文  参考訳（メタデータ） (2025-08-09T19:39:33Z)
• Ensemble-Enhanced Graph Autoencoder with GAT and Transformer-Based Encoders for Robust Fault Diagnosis [0.0]
  本研究では,新しい断層分類フレームワークを提案する。 様々な馬力レベルで動作する機械の時系列振動データをグラフ表現に変換する。 ディープグラフ変換器エンコーダ、デコーダ、アンサンブルを備えたグラフオート(GAE)を開発し、潜在グラフ表現を学習し、故障を分類する。
  論文  参考訳（メタデータ） (2025-04-13T04:21:11Z)
• Generative Active Adaptation for Drifting and Imbalanced Network Intrusion Detection [14.728689487990836]
  生成能動適応フレームワークは、モデルロバスト性を高めながらラベリング作業を最小化する。 我々は、シミュレーションIDSデータと実世界のISPデータセットの両方に基づいて、エンドツーエンドフレームワークNetGuardを評価した。
  論文  参考訳（メタデータ） (2025-03-04T21:49:42Z)
• Noisy Test-Time Adaptation in Vision-Language Models [73.14136220844156]
  テスト時間適応(TTA)は、テスト中のターゲットデータのみに依存することにより、ソースデータとターゲットデータの分散シフトに対処することを目的としている。 本稿では、ゼロショット方式で、テスト時にノイズのあるサンプルをターゲットとするデータにモデルを適応させることに焦点を当てたゼロショットノイズTTA(ZS-NTTA)を提案する。 本稿では, 冷凍機の出力を擬似ラベルとして利用し, ノイズ検出器の訓練を行う適応ノイズ検出器(AdaND)を提案する。
  論文  参考訳（メタデータ） (2025-02-20T14:37:53Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• Fast Information Streaming Handler (FisH): A Unified Seismic Neural Network for Single Station Real-Time Earthquake Early Warning [56.45067876391473]
  既存のEEWアプローチは、フェーズの選択、位置推定、大きさ推定を独立したタスクとして扱い、統一されたフレームワークを欠いている。 我々は高速情報ストリーミングハンドラー(FisH)と呼ばれる新しい統合型地震波ニューラルネットワークを提案する。 FisHは、リアルタイムストリーミング地震データを処理し、位相選択、位置推定、大きさ推定をエンドツーエンドで同時生成するように設計されている。
  論文  参考訳（メタデータ） (2024-08-13T04:33:23Z)

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。