論文の概要: Beyond a Single Signal: SPECTREG2, A Unified MultiExpert Anomaly Detector for Unknown Unknowns

• arxiv url: http://arxiv.org/abs/2603.21160v1
• Date: Sun, 22 Mar 2026 10:23:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.266036
• Title: Beyond a Single Signal: SPECTREG2, A Unified MultiExpert Anomaly Detector for Unknown Unknowns
• Title（参考訳）: SPECTREG2 - 未知の未知のマルチエキスパート異常検出器
• Authors: Rahul D Ray,
• Abstract要約: 既存の不確実な定量化法は、信頼や密度のような単一の信号に依存する。 本稿では、デュアルバックボーンニューラルネットワークから8つの補完信号を組み合わせたマルチ信号異常検出装置であるSPECTRE-G2を紹介する。 このモデルは種子全体にわたって安定しており、特に新しい変数や共同設立者の検出に有効である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Epistemic intelligence requires machine learning systems to recognise the limits of their own knowledge and act safely under uncertainty, especially when faced with unknown unknowns. Existing uncertainty quantification methods rely on a single signal such as confidence or density and fail to detect diverse structural anomalies. We introduce SPECTRE-G2, a multi-signal anomaly detector that combines eight complementary signals from a dual-backbone neural network. The architecture includes a spectral normalised Gaussianization encoder, a plain MLP preserving feature geometry, and an ensemble of five models. These produce density, geometry, uncertainty, discriminative, and causal signals. Each signal is normalised using validation statistics and calibrated with synthetic out-of-distribution data. An adaptive top-k fusion selects the most informative signals and averages their scores. Experiments on synthetic, Adult, CIFAR-10, and Gridworld datasets show strong performance across diverse anomaly types, outperforming multiple baselines on AUROC, AUPR, and FPR95. The model is stable across seeds and particularly effective for detecting new variables and confounders. SPECTRE-G2 provides a practical approach for detecting unknown unknowns in open-world settings.
• Abstract（参考訳）: 疫学的知能は、機械学習システムに対して、自身の知識の限界を認識し、特に未知の未知に直面した場合に、不確実性の下で安全に行動することを要求する。 既存の不確実性定量化法は、信頼や密度のような単一の信号に依存しており、多様な構造異常を検出することができない。 本稿では、デュアルバックボーンニューラルネットワークから8つの補完信号を組み合わせたマルチ信号異常検出装置であるSPECTRE-G2を紹介する。 このアーキテクチャは、スペクトル正規化ガウス化エンコーダ、平易なMLP保存特徴幾何、および5つのモデルのアンサンブルを含む。 これらは密度、幾何学、不確実性、識別、因果信号を生成する。 各信号は、バリデーション統計を用いて正規化され、合成アウト・オブ・ディストリビューションデータで校正される。 適応的なトップk融合は最も情報性の高い信号を選択し、スコアを平均化する。 合成,アダルト,CIFAR-10,グリッドワールドデータセットの実験では,AUROC,AUPR,FPR95の複数のベースラインよりも高い性能を示した。 このモデルは種子全体にわたって安定しており、特に新しい変数や共同設立者の検出に有効である。 SPECTRE-G2は、オープンワールド環境で未知の未知を検知するための実用的なアプローチを提供する。

関連論文リスト

• Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
  受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。 これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
  論文  参考訳（メタデータ） (2026-02-04T15:25:02Z)
• Multi-Head Spectral-Adaptive Graph Anomaly Detection [7.788514265469946]
  グラフ異常検出は、金融詐欺やリスク管理に広く応用されている。 既存のグラフ異常検出手法は、複雑で可変な異常パターンを扱う場合、しばしば重大な課題に直面する。 マルチヘッドスペクトル適応型グラフニューラルネットワーク(MHSA-GNN)を提案する。 本手法は, 高周波異常信号の保存を効果的に行い, 既存の最先端手法を著しく上回っている。
  論文  参考訳（メタデータ） (2025-12-25T14:55:43Z)
• How to pick the best anomaly detector? [35.66877569643008]
  異常検出は、探索されていないデータの領域で新しい物理を発見する可能性がある。 モデルに依存しない方法で、与えられたデータセットの最良の異常検知器を選択することは、主に無視されてきた重要な課題である。 本稿では,データ駆動ARGOS測定法について紹介する。これは理論的基礎が健全であり,データから最も敏感な異常検出モデルを選択することを実証的に示している。
  論文  参考訳（メタデータ） (2025-11-18T19:00:01Z)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• HFN: Heterogeneous Feature Network for Multivariate Time Series Anomaly Detection [2.253268952202213]
  MTSのためのヘテロジニアス特徴ネットワーク(HFN)に基づく,新しい半教師付き異常検出フレームワークを提案する。 まず、センサ埋め込みによって生成された埋め込み類似性グラフと、センサ値によって生成された特徴値類似性グラフを組み合わせて、時系列不均一グラフを構築する。 このアプローチは、ヘテロジニアスグラフ構造学習(HGSL)と表現学習の最先端技術を融合させる。
  論文  参考訳（メタデータ） (2022-11-01T05:01:34Z)
• Two-Stage Deep Anomaly Detection with Heterogeneous Time Series Data [3.43862266155801]
  本稿では,工場組立ラインから収集した製造データセットを用いたデータ駆動型異常検出フレームワークを提案する。 ステージIでは,動作周期信号で訓練されたモデルを用いて異常候補を選択し,ステージIIでは候補の中から異常事象を検出する。 我々のフレームワークの特長は、動作サイクル信号がまず異常点を見つけるために利用されるのに対し、センサ信号は異常点を除去するために活用される点である。
  論文  参考訳（メタデータ） (2022-02-10T15:32:38Z)
• Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel EEG Signal [63.18666008322476]
  睡眠障害は、世界中の主要な病気の1つです。 専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。 専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
  論文  参考訳（メタデータ） (2021-03-30T09:59:56Z)
• A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
  DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。 深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。 このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
  論文  参考訳（メタデータ） (2020-10-29T08:27:43Z)

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。