論文の概要: A Hierarchical Ensemble Pipeline for Anomaly Detection in ESA Satellite Telemetry

• arxiv url: http://arxiv.org/abs/2605.06681v1
• Date: Wed, 22 Apr 2026 23:08:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.67695
• Title: A Hierarchical Ensemble Pipeline for Anomaly Detection in ESA Satellite Telemetry
• Title（参考訳）: ESA衛星テレメトリにおける異常検出のための階層型アンサンブルパイプライン
• Authors: Lorenzo Riccardo Allegrini, Geremia Pompei,
• Abstract要約: 欧州宇宙機関(ESA)が提供するテレメトリデータにおける異常検出に対処するための階層型アンサンブルパイプラインが導入された。 本手法は、シェープレットに基づく統計的特徴抽出、チャネルごとのモデリング、チャネル内積み重ね、最終的なチャネル間集約を統合する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A hierarchical ensemble pipeline is introduced to address anomaly detection in multivariate telemetry data provided by European Space Agency (ESA). The method integrates shapelet-based and statistical feature extraction, per-channel modeling, intra-channel stacking, and a final cross-channel aggregation. The pipeline is trained and validated using time-series cross-validation and two-level masking strategies to prevent information leakage. Results on the European Space Agency Anomaly Detection Benchmark (ESA-ADB) challenge demonstrate strong generalization, highlighting the effectiveness of hierarchical modeling in detecting subtle anomalies in realistic satellite telemetry.
• Abstract（参考訳）: 欧州宇宙機関(ESA)が提供する多変量テレメトリデータにおける異常検出に対処するための階層型アンサンブルパイプラインが導入された。 本手法は、シェープレットに基づく統計的特徴抽出、チャネルごとのモデリング、チャネル内積み重ね、最終的なチャネル間集約を統合する。 パイプラインは、情報漏洩を防止するために、時系列クロスバリデーションと2レベルマスキング戦略を使用してトレーニングされ、検証される。 欧州宇宙機関の異常検出ベンチマーク(ESA-ADB)の課題の成果は、現実的な衛星テレメトリにおける微妙な異常を検出するための階層的モデリングの有効性を強調し、強力な一般化を示している。

関連論文リスト

• Towards One-for-All Anomaly Detection for Tabular Data [87.63505963517512]
  タブラル異常検出(TAD)は多くの実世界の応用において重要である。 複数のソースデータセットに対して1回のトレーニングのみを必要とするフレームワークであるOFA-TADを提案する。 14ドメインの34のデータセットに対する実験により、OFA-TADはより優れた異常検出性能が得られることが示された。
  論文  参考訳（メタデータ） (2026-03-15T14:42:05Z)
• Unsupervised Anomaly Detection in NSL-KDD Using $β$-VAE: A Latent Space and Reconstruction Error Approach [39.146761527401424]
  本稿では,NSL-KDDデータセット上の$$$-Variational Autoencodersを用いて,ネットワークトラフィックの異常検出に対する教師なしアプローチについて検討する。 本研究では,実験試料からトレーニングデータ投影までの距離を計測することで,潜時空間構造を活用する方法と,従来の異常検出指標として再構成誤差を用いる方法について検討する。
  論文  参考訳（メタデータ） (2026-02-23T12:42:00Z)
• 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)
• Detecting Silent Failures in Multi-Agentic AI Trajectories [7.001329254828447]
  マルチエージェントAIシステムは、ドリフトやサイクル、アウトプットにおける詳細の欠如など、サイレントな障害を起こしやすい。 エージェント軌道における異常検出のタスクを導入し、これらの障害を識別し、データセットキュレーションパイプラインを示す。 この研究は、マルチエージェントAIシステムにおける異常検出に関する最初の体系的な研究を提供し、将来の研究を導くためのデータセット、ベンチマーク、洞察を提供する。
  論文  参考訳（メタデータ） (2025-11-06T04:00:54Z)
• Isolation-based Spherical Ensemble Representations for Anomaly Detection [60.989157958972356]
  不正検出、ネットワークセキュリティ、ログ監視を対象とするアプリケーションによるデータマイニングと管理において、異常検出は重要なタスクである。 既存の教師なし異常検出手法は、分散仮定の矛盾、計算の非効率性、異なる異常型を扱う難しさなど、基本的な課題に直面している。 Isolation-based Spherical Ensemble Representations (ISER) は, 局所密度特性のプロキシとしてハイパースフィアラジイを用いて, 線形時間と定数空間の複雑さを保ちながら, 既存の分離法を拡張したものである。
  論文  参考訳（メタデータ） (2025-10-15T09:00:05Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• European Space Agency Benchmark for Anomaly Detection in Satellite Telemetry [2.0880207832785436]
  欧州宇宙機関の衛星テレメトリにおける異常検出ベンチマーク(ESA-ADB)は、この領域に新しい標準を確立することを目的としている。 新たに導入されたESA異常データセットには、3つのESAミッションからの注釈付き実生活テレメトリが含まれている。 新しい階層的評価パイプラインで評価された典型的な異常検出アルゴリズムの結果は、演算子のニーズに対処するために新しいアプローチが必要であることを示している。
  論文  参考訳（メタデータ） (2024-06-25T13:23:37Z)

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。