論文の概要: Catching Every Ripple: Enhanced Anomaly Awareness via Dynamic Concept Adaptation
- arxiv url: http://arxiv.org/abs/2604.14726v1
- Date: Thu, 16 Apr 2026 07:37:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-17 21:29:31.785865
- Title: Catching Every Ripple: Enhanced Anomaly Awareness via Dynamic Concept Adaptation
- Title（参考訳）: すべてのリップルをキャッチする:動的概念適応による異常認識の強化
- Authors: Jiaqi Zhu, Shaofeng Cai, Jie Chen, Fang Deng, Beng Chin Ooi, Wenqiao Zhang,
- Abstract要約: DyMETERはオンライン異常検出のための動的概念適応フレームワークである。
オンザフライパラメータシフトと動的しきい値設定を単一のオンラインパラダイム内で統一する。
DyMETERは、様々なアプリケーションシナリオで既存のOADアプローチを大幅に上回っています。
- 参考スコア（独自算出の注目度）: 31.430600150357886
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Online anomaly detection (OAD) plays a pivotal role in real-time analytics and decision-making for evolving data streams. However, existing methods often rely on costly retraining and rigid decision boundaries, limiting their ability to adapt both effectively and efficiently to concept drift in dynamic environments. To address these challenges, we propose DyMETER, a dynamic concept adaptation framework for OAD that unifies on-the-fly parameter shifting and dynamic thresholding within a single online paradigm. DyMETER first learns a static detector on historical data to capture recurring central concepts, and then transitions to a dynamic mode to adapt to new concepts as drift occurs. Specifically, DyMETER employs a novel dynamic concept adaptation mechanism that leverages a hypernetwork to generate instance-aware parameter shifts for the static detector, thereby enabling efficient and effective adaptation without retraining or fine-tuning. To achieve robust and interpretable adaptation, DyMETER introduces a lightweight evolution controller to estimate instance-level concept uncertainty for adaptive updates. Further, DyMETER employs a dynamic threshold optimization module to adaptively recalibrates the decision boundary by maintaining a candidate window of uncertain samples, which ensures continuous alignment with evolving concepts. Extensive experiments demonstrate that DyMETER significantly outperforms existing OAD approaches across a wide spectrum of application scenarios.
- Abstract（参考訳）: オンライン異常検出(OAD)は、データストリームの進化において、リアルタイム分析と意思決定において重要な役割を果たす。
しかし、既存の手法は、しばしばコストのかかる再訓練と厳格な決定境界に依存し、動的環境におけるコンセプトドリフトに効果的かつ効率的に適応する能力を制限する。
このような課題に対処するため,オンラインパラダイム内でのパラメータシフトと動的しきい値設定を統一するOADの動的概念適応フレームワークであるDyMETERを提案する。
DyMETERはまず、歴史的データ上の静的検出器を学習し、繰り返し発生する中心概念をキャプチャし、それから動的モードに遷移し、ドリフトが発生すると新しい概念に適応する。
特に、DyMETERは、ハイパーネットワークを活用して静的検出器のインスタンス認識パラメータシフトを生成する新しい動的概念適応機構を用いて、再トレーニングや微調整をせずに効率よく効果的な適応を可能にする。
堅牢で解釈可能な適応を実現するために、DyMETERは、適応更新のためのインスタンスレベルの概念の不確実性を推定する軽量な進化制御器を導入している。
さらに、DyMETERは動的しきい値最適化モジュールを用いて、不確実なサンプルの候補ウィンドウを維持することにより、決定境界を適応的に調整し、進化する概念との連続的な整合性を確保する。
大規模な実験により、DyMETERは様々なアプリケーションシナリオで既存のOADアプローチを大幅に上回っていることが示されています。
関連論文リスト
- Training-Free Diffusion-Driven Modeling of Pareto Set Evolution for Dynamic Multiobjective Optimization [15.780107358426745]
本稿では,DMOPのトレーニング自由拡散に基づく動的応答機構DD-DMOEAを提案する。
膝点に基づく補助戦略を用いて、新しい環境における対象領域を特定する。
CEC2018の動的多目的ベンチマークの実験により、DD-DMOEAは競争力またはより良い収束・分散性能を達成することが示された。
論文 参考訳（メタデータ） (2026-03-23T11:09:58Z) - Model-Based Diffusion Sampling for Predictive Control in Offline Decision Making [48.998030470623384]
オフラインの意思決定は、さらなるインタラクションを伴わずに、固定データセットからの信頼性の高い振る舞いを必要とする。
i)タスク整列軌道を多様に生成するプランナー,(ii)システム力学との整合性を強制するダイナミクスモデル,(iii)タスク目標に整合した動作を選択するランサーモジュールからなる構成モデルに基づく拡散フレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-09T06:26:02Z) - Fints: Efficient Inference-Time Personalization for LLMs with Fine-Grained Instance-Tailored Steering [49.212940215720884]
本稿では,ユーザデータからサンプルレベルの干渉を生成し,モデルの前方通過に注入してパーソナライズするステアリングフレームワークを提案する。
本手法は,対話モードやコンテキスト長の異なる環境において,ロバスト性を保ちながら,高速シフト環境におけるパーソナライズ性能を著しく向上させる。
論文 参考訳（メタデータ） (2025-10-31T06:01:04Z) - TC-LoRA: Temporally Modulated Conditional LoRA for Adaptive Diffusion Control [15.019368747393862]
現在の制御可能な拡散モデルは、中間的なアクティベーションを変更して新しいモダリティに基づくガイダンスを注入する固定アーキテクチャに依存している。
モデルの重みを直接条件付けすることで動的文脈認識制御を可能にする新しいパラダイムであるTC-LoRAを導入する。
論文 参考訳（メタデータ） (2025-10-10T17:13:02Z) - EKPC: Elastic Knowledge Preservation and Compensation for Class-Incremental Learning [53.88000987041739]
クラスインクリメンタルラーニング(Class-Incremental Learning, CIL)は、AIモデルを、時間とともに異なるクラスのシーケンシャルに到着したデータから継続的に学習可能にすることを目的としている。
本稿では, 重要度を考慮した重要度正規化 (IPR) と CIL のためのトレーニング可能なセマンティックドリフト補償 (TSDC) を統合したElastic Knowledge Preservation and Compensation (EKPC) 法を提案する。
論文 参考訳（メタデータ） (2025-06-14T05:19:58Z) - METER: A Dynamic Concept Adaptation Framework for Online Anomaly
Detection [25.022228143354123]
リアルタイム分析と意思決定は、データストリームのドリフトを効率的かつ効果的に処理するために、オンラインの異常検出を必要とする。
既存のアプローチは、検出能力の制限と、進化するデータストリームへの適応の遅さによって制約されることが多い。
我々は,OADの新しいパラダイムを導入した新しい動的概念適応フレームワークであるMETERを紹介する。
論文 参考訳（メタデータ） (2023-12-28T05:09:31Z) - ViDA: Homeostatic Visual Domain Adapter for Continual Test Time Adaptation [48.039156140237615]
目標ドメインの継続的な変更に事前訓練されたモデルを適用するために、連続的なテスト時間適応タスクを提案する。
我々はCTTA用のVisual Domain Adapter (ViDA) を設計し、ドメイン固有知識とドメイン共有知識の両方を明示的に扱う。
提案手法は,CTTAタスクの分類とセグメント化の両方において,最先端の性能を実現する。
論文 参考訳（メタデータ） (2023-06-07T11:18:53Z) - DA-LSTM: A Dynamic Drift-Adaptive Learning Framework for Interval Load
Forecasting with LSTM Networks [1.3342521220589318]
ドリフト等級閾値は、ドリフトを識別するための変化検出方法を設計するために定義されるべきである。
本稿では,負荷予測モデルの性能向上を図るための動的ドリフト適応長短期メモリ(DA-LSTM)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-15T16:26:03Z) - Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model Predictive Control [46.81433026280051]
本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。
我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
論文 参考訳（メタデータ） (2022-10-23T00:45:05Z) - Learning to Continuously Optimize Wireless Resource in a Dynamic
Environment: A Bilevel Optimization Perspective [52.497514255040514]
この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。
学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。
我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
論文 参考訳（メタデータ） (2021-05-03T07:23:39Z)
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。