論文の概要: Patched-DeltaNet: Token-Level Event-Driven Memory for Linear-Time Anomaly Detection
- arxiv url: http://arxiv.org/abs/2605.27992v1
- Date: Wed, 27 May 2026 05:33:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-28 17:38:55.773278
- Title: Patched-DeltaNet: Token-Level Event-Driven Memory for Linear-Time Anomaly Detection
- Title（参考訳）: Patched-DeltaNet: 線形時間異常検出のためのトークンレベルイベント駆動メモリ
- Authors: Tae-Gyun Lee, Junyoung Park, Kyu Won Han,
- Abstract要約: 時系列異常検出は、ミッションクリティカルシステムの信頼性を維持するために重要である。
我々は,Gated Delta Networksと時系列パッチを併用した新しいアーキテクチャPatched-DeltaNetを提案する。
- 参考スコア（独自算出の注目度）: 4.400911960167063
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series anomaly detection is critical for maintaining the reliability of mission-critical systems. While Transformer-based models like PatchTST have shown remarkable performance, their $\mathcal{O}(L^2)$ computational complexity severely limits deployment in resource-constrained environments. In this paper, we propose Patched-DeltaNet, a novel architecture combining time-series patching with Gated Delta Networks. By integrating these paradigms, we hypothesize and demonstrate the emergence of token-level event-driven memory, whereby the patching mechanism extracts local semantic chunks, while the error-driven DeltaNet updates its recurrent state exclusively when significant physical changes, defined as deltas, occur. This synergy effectively filters out background noise and captures sudden anomalous drifts. Our rigorous experiments on the Server Machine Dataset (SMD) benchmark demonstrate the structural superiority and sample efficiency of Patched-DeltaNet. By strictly outperforming recent architectures under unified evaluation constraints and identical compute budgets, our model yields an ROC-AUC of 0.957 and PA-F1 of 0.822, while drastically reducing computational complexity to the theoretical minimum of $\mathcal{O}(L/P)$.
- Abstract（参考訳）: 時系列異常検出は、ミッションクリティカルシステムの信頼性を維持するために重要である。
PatchTSTのようなTransformerベースのモデルは目覚ましい性能を示しているが、$\mathcal{O}(L^2)$の計算複雑性はリソース制約された環境への展開を著しく制限している。
本稿では,Gated Delta Networksと時系列パッチを併用した新しいアーキテクチャPatched-DeltaNetを提案する。
これらのパラダイムを統合することで、トークンレベルのイベント駆動メモリの出現を仮説化し実証し、パッチ機構は局所的なセマンティックチャンクを抽出する一方、エラー駆動DeltaNetは、デルタとして定義された重要な物理的変化が発生した場合にのみ、そのリカレント状態を更新する。
このシナジーは、背景ノイズを効果的に除去し、突然の異常なドリフトを捕捉する。
サーバマシンデータセット(SMD)ベンチマークに関する厳密な実験は、Patched-DeltaNetの構造上の優位性とサンプル効率を示している。
統一された評価制約と同一の計算予算の下で最近のアーキテクチャを厳格に上回り、このモデルではROC-AUCが0.957、PA-F1が0.822となり、計算複雑性が$\mathcal{O}(L/P)$に劇的に減少する。
関連論文リスト
- DexWorldModel: Causal Latent World Modeling towards Automated Learning of Embodied Tasks [54.32016216994156]
本稿では,DINOv3特徴を生成対象として用い,視覚ノイズから相互作用意味を乱す因果潜在世界モデル(CLWM)を提案する。
メモリスケーリングを克服するため、CLWMはDual-State Test-Time Training (TTT)メモリを備えている。
EmbodiChainは、トレーニング中に物理基底軌道の無限の流れを注入することによって効率法を確立するオンラインフレームワークである。
論文 参考訳（メタデータ） (2026-04-13T03:19:36Z) - Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [52.153950303594684]
交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。
AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする
我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
論文 参考訳（メタデータ） (2026-03-12T18:19:21Z) - Efficiency vs. Fidelity: A Comparative Analysis of Diffusion Probabilistic Models and Flow Matching on Low-Resource Hardware [0.0]
Denoising Diffusion Probabilistic Models (DDPMs) は、生成画像合成における新しい最先端技術を確立した。
本研究では,新たなフローマッチングパラダイムに対するDDPMの比較分析を行った。
論文 参考訳（メタデータ） (2025-11-24T18:19:42Z) - PT$^2$-LLM: Post-Training Ternarization for Large Language Models [52.4629647715623]
大きな言語モデル(LLM)は、様々なタスクにまたがる印象的な機能を示しているが、その大きなメモリと計算能力は、デプロイメントを妨げている。
PT$2$-LLMを提案する。
その中核は2段精製パイプラインを備えた非対称3次量子化器である。
論文 参考訳（メタデータ） (2025-09-27T03:01:48Z) - A network-constrain Weibull AFT model for biomarkers discovery [0.0]
AFTNetはWeibullAccelerated failure time (AFT)モデルに基づくネットワーク制約サバイバル分析手法である。
本稿では,近位勾配法に基づく効率的な反復計算アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-02-28T11:12:53Z) - Efficient Generative Modeling via Penalized Optimal Transport Network [1.8079016557290342]
本稿では,Wartherally-penalized Wasserstein (MPW) 距離に基づく多目的深部生成モデルを提案する。
MPW距離を通じて、POTNetは、低次元の辺縁情報を利用して、関節分布の全体的アライメントを導出する。
我々は,MPW損失の一般化誤差に基づく非漸近的境界を導出し,POTNetで学習した生成分布の収束率を確立する。
論文 参考訳（メタデータ） (2024-02-16T05:27:05Z) - SmoothNets: Optimizing CNN architecture design for differentially
private deep learning [69.10072367807095]
DPSGDは、サンプルごとの勾配の切り抜きとノイズ付けを必要とする。
これにより、非プライベートトレーニングと比較してモデルユーティリティが削減される。
SmoothNetと呼ばれる新しいモデルアーキテクチャを蒸留し,DP-SGDトレーニングの課題に対するロバスト性の向上を特徴とした。
論文 参考訳（メタデータ） (2022-05-09T07:51:54Z) - CPNet: Cross-Parallel Network for Efficient Anomaly Detection [20.84973451610082]
ここでは、性能低下を伴わない計算を最小化するために、効率的な異常検出のためのクロスパラレルネットワーク(CPNet)を提案する。
ネットワーク間シフトモジュールは、シーケンシャルフレーム間の時間的関係をキャプチャして、より正確な将来の予測を可能にする。
論文 参考訳（メタデータ） (2021-08-10T05:29:37Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - AQD: Towards Accurate Fully-Quantized Object Detection [94.06347866374927]
本稿では,浮動小数点演算を除去するために,AQDと呼ばれる高精度な量子化オブジェクト検出ソリューションを提案する。
我々のAQDは、非常に低ビットのスキームの下での完全精度と比較して、同等またはそれ以上の性能を実現しています。
論文 参考訳（メタデータ） (2020-07-14T09:07:29Z) - Tessellated Wasserstein Auto-Encoders [5.9394103049943485]
変分オートエンコーダ(VAE)やワッサースタインオートエンコーダ(WAE-MMD)、スライスワッサースタインオートエンコーダ(SWAE)などの非逆数生成モデルは、生成逆数ネットワーク(WAE-GAN)のワッサースタインオートエンコーダに比べて比較的訓練が容易で、モード崩壊が少ない。
我々は,Tessellated Wasserstein Auto-Encoders (TWAE) と呼ばれる新しいフレームワークを開発した。
論文 参考訳（メタデータ） (2020-05-20T09:21:05Z)
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。