論文の概要: Hierarchical ODE: Learning Continuous-Time Physical Prototypes for Early Link Failure Detection

• arxiv url: http://arxiv.org/abs/2606.14284v1
• Date: Fri, 12 Jun 2026 09:06:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.849624
• Title: Hierarchical ODE: Learning Continuous-Time Physical Prototypes for Early Link Failure Detection
• Title（参考訳）: 階層的ODE:早期リンク故障検出のための連続時間物理プロトタイプの学習
• Authors: Jiaen Lv, Leran Qi, Shaowei Wang,
• Abstract要約: 時系列のプロトタイプ学習は、観察的曖昧さによって根本的に挑戦される。 本稿では,ニューラルネットワークを用いた階層型常微分方程式クラスタリングネットワークを提案する。 この定式化は時間的連続性を強制してノイズからスムーズな特徴傾向を効果的に切り離し、適応的階層機構は適切なプロトタイプ数を自律的に決定する。
• 参考スコア（独自算出の注目度）: 7.172511482356683
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Time series prototype learning is fundamentally challenged by observational ambiguity. Discrete architectures fail to resolve this, as they lack the capacity to decouple stochastic noise from continuous dynamics. Furthermore, rigid closed-set assumptions fail to capture unseen diversity. To address these limitations, we propose a hierarchical ordinary differential equation clustering network, which utilizes neural ordinary differential equation to model latent state evolution as a continuous integral curve. This formulation enforces temporal continuity to effectively disentangle smooth feature trends from stochastic noise, while our adaptive hierarchical mechanism autonomously determines the appropriate number of prototypes without rigid prior constraints. Validated on the early link failure detection task with irregularly sampled time series, the proposed method effectively extracts underlying physical prototypes, thereby enabling robust failure detection. Our code is available at https://github.com/NJ-LNN/Hierarchical-ODE.
• Abstract（参考訳）: 時系列のプロトタイプ学習は、観察的曖昧さによって根本的に挑戦される。 離散アーキテクチャは、連続力学から確率ノイズを分離する能力が欠けているため、この問題を解決することができない。 さらに、厳密な閉集合仮定は目に見えない多様性を捉えることができない。 これらの制約に対処するため,ニューラルネットワークを用いた階層型常微分方程式クラスタリングネットワークを提案し,連続積分曲線として潜在状態の進化をモデル化する。 この定式化は、確率的雑音からスムーズな特徴傾向を効果的に切り離すために時間的連続性を強制する一方、適応的階層機構は、厳密な事前制約を伴わない適切なプロトタイプ数を自律的に決定する。 不規則なサンプル時系列を用いた早期リンク故障検出タスクにおいて,提案手法は基礎となる物理プロトタイプを効果的に抽出し,堅牢な故障検出を可能にする。 私たちのコードはhttps://github.com/NJ-LNN/Hierarchical-ODE.orgで公開されています。

関連論文リスト

• Towards Foundation Models for Zero-Shot Time Series Anomaly Detection: Leveraging Synthetic Data and Relative Context Discrepancy [33.68487894996624]
  時系列異常検出(TSAD)は重要な課題であるが、見えないデータに一般化するモデルを開発することは大きな課題である。 我々は、新しい事前学習パラダイムの上に構築されたTSADの新たな基盤モデルであるtextttTimeRCDを紹介した。 textttTimeRCD はゼロショット TSAD において,既存の汎用および異常固有の基盤モデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-25T14:05:15Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Harnessing Contrastive Learning and Neural Transformation for Time Series Anomaly Detection [0.0]
  時系列異常検出(TSAD)は多くの産業応用において重要な役割を担っている。 コントラスト学習は、ラベルのないデータから意味のある表現を抽出する過程において、時系列領域で勢いを増している。 本研究では,学習可能な変換で強化されたウィンドウベースのコントラスト学習戦略を取り入れた新しいアプローチであるCNTを提案する。
  論文  参考訳（メタデータ） (2023-04-16T21:36:19Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Attention to Warp: Deep Metric Learning for Multivariate Time Series [28.540348999309547]
  本稿では,堅牢かつ識別性のある時系列分類と検証のためのニューラルネットワークに基づく新しい手法を提案する。 従来の非パラメトリックモデルや深層モデルよりも,提案手法の優位性を実験的に実証した。
  論文  参考訳（メタデータ） (2021-03-28T07:54:01Z)
• 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)
• Training Generative Adversarial Networks by Solving Ordinary Differential Equations [54.23691425062034]
  GANトレーニングによって引き起こされる連続時間ダイナミクスについて検討する。 この観点から、GANのトレーニングにおける不安定性は積分誤差から生じると仮定する。 本研究では,有名なODEソルバ(Runge-Kutta など)がトレーニングを安定化できるかどうかを実験的に検証する。
  論文  参考訳（メタデータ） (2020-10-28T15:23:49Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。