論文の概要: Adaptive Conformal Anomaly Detection with Time Series Foundation Models for Signal Monitoring

• arxiv url: http://arxiv.org/abs/2604.20122v1
• Date: Wed, 22 Apr 2026 02:39:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:10.925165
• Title: Adaptive Conformal Anomaly Detection with Time Series Foundation Models for Signal Monitoring
• Title（参考訳）: 信号モニタリングのための時系列基礎モデルを用いた適応型等角形異常検出
• Authors: Natalia Martinez Gil, Fearghal O'Donncha, Wesley M. Gifford, Nianjun Zhou, Dhaval C. Patel, Roman Vaculin,
• Abstract要約: 時系列監視のためのポストホック適応型共形異常検出法を提案する。 本手法は,誤報率(p値)として直接解釈可能な,解釈可能な異常スコアを生成する。 モデルに依存しないソリューションとして、ファンデーションモデルとシームレスに統合し、リソース制約のある環境での迅速なデプロイをサポートする。
• 参考スコア（独自算出の注目度）: 1.7149326108409726
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a post-hoc adaptive conformal anomaly detection method for monitoring time series that leverages predictions from pre-trained foundation models without requiring additional fine-tuning. Our method yields an interpretable anomaly score directly interpretable as a false alarm rate (p-value), facilitating transparent and actionable decision-making. It employs weighted quantile conformal prediction bounds and adaptively learns optimal weighting parameters from past predictions, enabling calibration under distribution shifts and stable false alarm control, while preserving out-of-sample guarantees. As a model-agnostic solution, it integrates seamlessly with foundation models and supports rapid deployment in resource-constrained environments. This approach addresses key industrial challenges such as limited data availability, lack of training expertise, and the need for immediate inference, while taking advantage of the growing accessibility of time series foundation models. Experiments on both synthetic and real-world datasets show that the proposed approach delivers strong performance, combining simplicity, interpretability, robustness, and adaptivity.
• Abstract（参考訳）: 本稿では,事前学習した基礎モデルからの予測を,追加の微調整を必要とせずに活用する,時系列監視のためのポストホック適応型共形異常検出手法を提案する。 本手法は, 誤報率(p値)として直接解釈可能な異常スコアを導出し, 透明かつ動作可能な意思決定を容易にする。 重み付き量子共形予測バウンダリを採用し、過去の予測から最適な重み付けパラメータを適応的に学習し、分散シフトの下でのキャリブレーションと安定した偽アラーム制御を可能にし、サンプル外保証を保存する。 モデルに依存しないソリューションとして、ファンデーションモデルとシームレスに統合し、リソース制約のある環境での迅速なデプロイをサポートする。 このアプローチは、データ可用性の制限、トレーニング専門知識の欠如、即時推論の必要性といった重要な産業上の課題に対処すると同時に、時系列基礎モデルのアクセシビリティの増大を活用する。 合成データセットと実世界のデータセットの両方の実験により、提案されたアプローチは、単純さ、解釈可能性、堅牢性、適応性を組み合わせた強力なパフォーマンスを提供することが示された。

関連論文リスト

• Forecasting Multivariate Time Series under Predictive Heterogeneity: A Validation-Driven Clustering Framework [8.124770608442377]
  統計的決定問題として適応プーリングを定式化する。 我々は,いつ,どのように専門化を適用すべきかを決定する検証駆動型フレームワークを提案する。 大規模トラフィックデータセットの実験では、強いベースラインよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-04-15T11:35:32Z)
• Rethinking Test-Time Training: Tilting The Latent Distribution For Few-Shot Source-Free Adaptation [3.5808917363708743]
  完全に凍結したモデル体制下で, 数ショット分類のための基礎モデルの試験時間適応について検討した。 本稿では,エンコーダによって誘導される潜伏埋め込み分布に対して,測定値の変更を行うことにより,新しいタスクに予測を適応させる,最初のトレーニング不要推論手法を提案する。
  論文  参考訳（メタデータ） (2026-02-02T18:17:29Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Feature Fitted Online Conformal Prediction for Deep Time Series Forecasting Model [0.8287206589886881]
  時系列予測は多くのアプリケーションにおいて重要であり、深層学習に基づく点予測モデルは高い性能を示している。 既存の信頼区間モデリングアプローチは、重要な制限に悩まされている。 本稿では,リトレーニングを伴わずに,有効なカバレッジと短い間隔長を提供する軽量な予測予測手法を提案する。
  論文  参考訳（メタデータ） (2025-05-13T01:33:53Z)
• Neural Conformal Control for Time Series Forecasting [54.96087475179419]
  非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。 提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。 予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
  論文  参考訳（メタデータ） (2024-12-24T03:56:25Z)
• Adaptive scheduling for adaptive sampling in POS taggers construction [0.27624021966289597]
  音声タグ作成における機械学習の新たな手法として適応的サンプリングのための適応的スケジューリングを提案する。 本研究では,関数モデルとともに幾何学的に学習曲線の形状を分析し,任意のタイミングで学習曲線を増減する。 また,評価の一時的なインフレーションを受けるトレーニングデータベースの領域に注意を払い,サンプリングの堅牢性も向上する。
  論文  参考訳（メタデータ） (2024-02-04T15:02:17Z)
• Source-Free Unsupervised Domain Adaptation with Hypothesis Consolidation of Prediction Rationale [53.152460508207184]
  Source-Free Unsupervised Domain Adaptation (SFUDA)は、モデルがターゲットのドメインラベルやソースドメインデータにアクセスせずに新しいドメインに適応する必要がある、という課題である。 本稿では,各サンプルについて複数の予測仮説を考察し,各仮説の背景にある理論的根拠について考察する。 最適性能を達成するために,モデル事前適応,仮説統合,半教師付き学習という3段階の適応プロセスを提案する。
  論文  参考訳（メタデータ） (2024-02-02T05:53:22Z)
• Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
  我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。 合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
  論文  参考訳（メタデータ） (2023-02-23T18:57:14Z)
• MAPS: A Noise-Robust Progressive Learning Approach for Source-Free Domain Adaptive Keypoint Detection [76.97324120775475]
  クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。 本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
  論文  参考訳（メタデータ） (2023-02-09T12:06:08Z)

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。