論文の概要: RAMSeS: Robust and Adaptive Model Selection for Time-Series Anomaly Detection Algorithms

• arxiv url: http://arxiv.org/abs/2602.21766v1
• Date: Wed, 25 Feb 2026 10:36:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.799096
• Title: RAMSeS: Robust and Adaptive Model Selection for Time-Series Anomaly Detection Algorithms
• Title（参考訳）: RAMSeS: 時系列異常検出アルゴリズムのためのロバストおよび適応モデル選択
• Authors: Mohamed Abdelmaksoud, Sheng Ding, Andrey Morozov, Ziawasch Abedjan,
• Abstract要約: 時系列データは領域によって大きく異なるため、普遍的な異常検出は非現実的である。 本稿では,RAMSeSフレームワークの時系列異常検出のためのロバストおよび適応モデル選択法を提案する。
• 参考スコア（独自算出の注目度）: 4.651327752886104
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-series data vary widely across domains, making a universal anomaly detector impractical. Methods that perform well on one dataset often fail to transfer because what counts as an anomaly is context dependent. The key challenge is to design a method that performs well in specific contexts while remaining adaptable across domains with varying data complexities. We present the Robust and Adaptive Model Selection for Time-Series Anomaly Detection RAMSeS framework. RAMSeS comprises two branches: (i) a stacking ensemble optimized with a genetic algorithm to leverage complementary detectors. (ii) An adaptive model-selection branch identifies the best single detector using techniques including Thompson sampling, robustness testing with generative adversarial networks, and Monte Carlo simulations. This dual strategy exploits the collective strength of multiple models and adapts to dataset-specific characteristics. We evaluate RAMSeS and show that it outperforms prior methods on F1.
• Abstract（参考訳）: 時系列データは領域によって大きく異なるため、普遍的な異常検出は非現実的である。 1つのデータセットでうまく機能するメソッドは、異常として数えられるものはコンテキスト依存であるため、転送に失敗することが多い。 鍵となる課題は、さまざまなデータ複雑さを持つドメインに適応しながら、特定のコンテキストでうまく機能するメソッドを設計することである。 本稿では,RAMSeSフレームワークの時系列異常検出のためのロバストおよび適応モデル選択法を提案する。 RAMSeSは2つのブランチから構成される。 i) 相補的な検出器を利用するために遺伝的アルゴリズムで最適化された積み重ねアンサンブル。 (II)適応モデル選択枝は,トンプソンサンプリング,生成対向ネットワークを用いたロバストネステスト,モンテカルロシミュレーションなどの手法を用いて,最高の単一検出器を同定する。 この二重戦略は、複数のモデルの集合的な強さを利用して、データセット固有の特性に適応する。 我々はRAMSeSを評価し、F1の先行手法よりも優れていることを示す。

関連論文リスト

• FusAD: Time-Frequency Fusion with Adaptive Denoising for General Time Series Analysis [92.23551599659186]
  時系列分析は、金融、医療、産業、気象学などの分野において重要な役割を果たす。 FusADは多様な時系列タスク用に設計された統合分析フレームワークである。
  論文  参考訳（メタデータ） (2025-12-16T04:34:27Z)
• Breaking Silos: Adaptive Model Fusion Unlocks Better Time Series Forecasting [64.45587649141842]
  時系列予測は多くの現実世界のアプリケーションにおいて重要な役割を果たす。 1つのモデルは、異なるテストサンプルで一貫して他よりも優れていますが、(ii) それぞれのモデルは特定のケースで優れています。 異種モデルのサンプルレベル適応融合による時系列予測のためのフレームワークであるTimeFuseを紹介する。
  論文  参考訳（メタデータ） (2025-05-24T00:45:07Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• Towards a General Time Series Anomaly Detector with Adaptive Bottlenecks and Dual Adversarial Decoders [16.31103717602631]
  時系列異常検出は幅広い応用において重要な役割を果たす。 既存のメソッドでは、データセットごとに1つの特定のモデルをトレーニングする必要があります。 本稿では,広範囲なマルチドメインデータセット上で事前学習した時系列異常検出モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-24T06:59:43Z)
• Detection of Anomalies in Multivariate Time Series Using Ensemble Techniques [3.2422067155309806]
  最終的な決定に向けて,複数の基本モデルを組み合わせたアンサンブル手法を提案する。 また,ロジスティック回帰器を用いて基本モデルの出力を結合する半教師付き手法を提案する。 異常検出精度の点での性能改善は、教師なしモデルでは2%、半教師なしモデルでは少なくとも10%に達する。
  論文  参考訳（メタデータ） (2023-08-06T17:51:22Z)
• Adaptive Memory Networks with Self-supervised Learning for Unsupervised Anomaly Detection [54.76993389109327]
  教師なし異常検出は、通常のデータのみをトレーニングすることで、目に見えない異常を検出するモデルを構築することを目的としている。 本稿では,これらの課題に対処するために,自己教師付き学習(AMSL)を用いた適応記憶ネットワーク(Adaptive Memory Network)を提案する。 AMSLには、一般的な正規パターンを学ぶための自己教師付き学習モジュールと、リッチな特徴表現を学ぶための適応型メモリ融合モジュールが組み込まれている。
  論文  参考訳（メタデータ） (2022-01-03T03:40:21Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)

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。