論文の概要: Distinguishing indistinguishable attractors: Unsupervised anomaly detection with reservoir computers

• arxiv url: http://arxiv.org/abs/2606.21322v1
• Date: Fri, 19 Jun 2026 11:11:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 14:22:54.317775
• Title: Distinguishing indistinguishable attractors: Unsupervised anomaly detection with reservoir computers
• Title（参考訳）: 識別不能なアトラクタの識別:貯水池コンピュータによる教師なし異常検出
• Authors: Davide Prosperino, Haochun Ma, Christoph Räth,
• Abstract要約: 貯留層コンピュータの出力重みに対する単純なコルモゴロフ-スミルノフ試験は非線形力学系の状態変化に非常に敏感であることを示す。 より広範に、訓練された出力重みを学習システムの表現として扱う貯水池コンピュータの視点を確立することを目的としている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting when a nonlinear dynamical system departs from its normal regime is a recurring problem across the sciences, from cardiology to climate and energy systems. We show that a very simple Kolmogorov--Smirnov test on the output weights of a reservoir computer is highly sensitive to regime changes in nonlinear dynamical systems, including those invisible to both classical nonlinear measures and modern deep-learning detectors. The core idea of our algorithm is to treat the readout layer of a reservoir computer as a representation of the input dynamics. Since the input mapping and the reservoir itself are random and fixed, the trained output weights are the only object encoding the system at hand. We summarize this fingerprint by the empirical cumulative distribution function of the readout weights and compare it to a reference band built from the training data. This unsupervised, online detector distinguishes two visually indistinguishable butterfly-shaped attractors, resolves parameter drifts seven times smaller than the strongest deep-learning baseline, flags noise four orders of magnitude below the signal, and identifies ventricular flutter in a clinical ECG recording. More broadly, we aim to establish a perspective on reservoir computers in which the trained output weights are treated as a representation of the learned system in their own right, rather than merely as a means to forecasting.
• Abstract（参考訳）: 非線形力学系が通常の状態から外れた場合の検出は、心臓学から気候、エネルギーシステムまで、科学全体で繰り返し発生する問題である。 貯留層コンピュータの出力重みに対する非常に単純なコルモゴロフ-スミルノフ試験は、古典的非線形測度と現代のディープラーニング検出器の両方に見えないものを含む非線形力学系の状態変化に非常に敏感であることを示す。 我々のアルゴリズムの中核となる考え方は、貯水池コンピュータの読み出し層を入力力学の表現として扱うことである。 入力マッピングと貯水池自体がランダムで固定されているため、訓練された出力重みは、手元にあるシステムをコードする唯一のオブジェクトである。 本稿では,この指紋を読み出し重みの累積分布関数で要約し,トレーニングデータから構築した基準バンドと比較する。 この教師なしオンライン検出器は、2つの視覚的に区別不能な蝶形誘引器を識別し、最強のディープラーニングベースラインの7倍のパラメータドリフトを解消し、信号の4桁下のノイズをフラグし、臨床心電図記録において心室粗動を識別する。 より広範に、トレーニングされた出力重みを単に予測手段としてではなく、学習したシステムの表現として自身の権利として扱う貯水池コンピュータの視点を確立することを目的としている。

関連論文リスト

• Universal Transformation of One-Class Classifiers for Unsupervised Anomaly Detection [51.73001988341294]
  異常検出は通常、一級分類問題として定式化される。 本稿では,任意の1クラス分類器に基づく異常検出器を,完全に教師なしの手法に変換するデータセット折り畳み方式を提案する。
  論文  参考訳（メタデータ） (2026-02-13T16:54:12Z)
• Disordered Dynamics in High Dimensions: Connections to Random Matrices and Machine Learning [52.26396748560348]
  ランダム行列によって駆動される高次元力学系について概説する。 機械学習理論における学習と一般化の単純なモデルへの応用に焦点を当てる。
  論文  参考訳（メタデータ） (2026-01-03T00:12:32Z)
• Nonlinear Neural Dynamics and Classification Accuracy in Reservoir Computing [3.196204482566275]
  複雑度の異なる人工分類タスクにおける貯水池コンピュータの精度について検討する。 極端に非線形性が低下した活性化関数や弱いリカレント相互作用、小さな入力信号であっても、貯水池は有用な表現を計算することができる。
  論文  参考訳（メタデータ） (2024-11-15T08:52:12Z)
• Reconstructing dynamics from sparse observations with no training on target system [0.0]
  提案するハイブリッド機械学習フレームワークのパワーは,多くの原型非線形力学系を用いて実証された。 このフレームワークは、トレーニングデータが存在しない極端な状況において、複雑で非線形なダイナミクスを再構築するパラダイムを提供する。
  論文  参考訳（メタデータ） (2024-10-28T17:05:04Z)
• Heterogeneous quantization regularizes spiking neural network activity [0.0]
  本稿では、アナログデータを正規化し、スパイク位相表現に量子化する、データブラインドニューロモルフィック信号条件付け戦略を提案する。 我々は、量子化重みの範囲と密度が蓄積された入力統計に適応するデータ認識キャリブレーションステップを追加することで、このメカニズムを拡張した。
  論文  参考訳（メタデータ） (2024-09-27T02:25:44Z)
• Sensor Fault Detection and Isolation in Autonomous Nonlinear Systems Using Neural Network-Based Observers [6.432798111887824]
  センサ故障検出分離法(s-FDI)は一般的な非線形システムに適用される。 このアプローチの主な側面は、ニューラルネットワークベースのKazantzis-Kravaris/Luenberger(KKL)オブザーバの利用である。
  論文  参考訳（メタデータ） (2023-04-18T09:05:07Z)
• Online Dictionary Learning Based Fault and Cyber Attack Detection for Power Systems [4.657875410615595]
  本稿では,ストリームデータマイニング分類器を活用することで,イベント検出と侵入検出の問題に対処する。 まず、ラベルのないデータから高レベルな特徴を学習して辞書を構築する。 そして、ラベル付きデータは、学習した辞書原子の疎線形結合として表現される。 我々は、これらの余分なコードを利用して、オンライン分類器と効率的な変更検出器を訓練する。
  論文  参考訳（メタデータ） (2021-08-24T23:17:58Z)
• A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
  DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。 深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。 このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
  論文  参考訳（メタデータ） (2020-10-29T08:27:43Z)
• Self-Attentive Classification-Based Anomaly Detection in Unstructured Logs [59.04636530383049]
  ログ表現を学習するための分類法であるLogsyを提案する。 従来の方法と比較して,F1スコアの平均0.25の改善を示す。
  論文  参考訳（メタデータ） (2020-08-21T07:26:55Z)
• Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
  状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。 そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。 本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
  論文  参考訳（メタデータ） (2020-06-18T04:54:11Z)

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。