論文の概要: An Agentic AI Pipeline for Appliance-Level Energy Anomaly Detection and LLM-Driven Recommendations

• arxiv url: http://arxiv.org/abs/2606.28467v1
• Date: Fri, 26 Jun 2026 14:15:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.577836
• Title: An Agentic AI Pipeline for Appliance-Level Energy Anomaly Detection and LLM-Driven Recommendations
• Title（参考訳）: A Agentic AI Pipeline for Appliance-Level Energy Anomaly Detection and LLM-Driven Recommendations
• Abstract要約: 本稿では, 深部時系列予測, 変分異常検出, LLMに基づく推論を組み合わさって, 実用的なメンテナンスレコメンデーションを生成する, エンドツーエンドのエージェントパイプラインを提案する。 このシステムは、SSA(Singular Spectrum Analysis)とLSTM(Long Short-Term Memory)予測モデルを用いて、7つのオフィスアプライアンスを追跡する。 持続的および過渡的スパイク,予期せぬ停止,システム的事象を含む16シナリオベンチマークを用いて,予測モデル,アプライアンス固有のしきい値を有する異常検知器,LSM推論について検討した。
• 参考スコア（独自算出の注目度）: 2.125640946320154
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Appliance-level energy monitoring in office buildings produces noisy alerts that non-expert facility managers struggle to use. This paper proposes an end-to-end agentic pipeline that combines deep time-series forecasting, variational anomaly detection, and LLM-based reasoning to generate prioritized, actionable maintenance recommendations. The system tracks seven office appliances using a hybrid Singular Spectrum Analysis (SSA) and Long Short-Term Memory (LSTM) forecasting model, and applies a per-appliance LSTM Variational Autoencoder (VAE) with attention to flag abnormal daily consumption episodes. A three-stage LangChain pipeline begins with a Context Agent that always retrieves three core RAG sources (model reliability, hourly baseline, and expert knowledge) and conditionally adds up to three more (forecast context, anomaly history, global baseline) based on event characteristics, capped at eight reasoning steps. A Diagnosis Agent converts the evidence into a structured JSON diagnosis, and a Report Agent renders a human-readable narrative. A reflective memory layer incorporates operator feedback. The dashboard shows real-time 30-minute forecasts, intraday consumption, the previous day anomaly report, and a feedback form. We evaluate the forecasting model, anomaly detector with appliance-specific thresholds, and LLM reasoning on a 16-scenario benchmark including sustained and transient spikes, unexpected shutdowns, and systemic events, comparing five LLM backends under static vs. dynamic retrieval. Dynamic retrieval matches full static retrieval across all backends while cutting average context from six to three-six sources per event. The best backend scores 90.4/100 with a 100% pass rate at a 70-point threshold, and a fully local 7B-parameter model passes all 16 scenarios.
• Abstract（参考訳）: オフィスビルにおけるアプライアンスレベルのエネルギーモニタリングは、非専門家の施設管理者が使いづらく、ノイズの多い警告を発生させる。 本稿では,深部時系列予測,変分異常検出,LCMに基づく推論を組み合わせたエンドツーエンドのエージェントパイプラインを提案し,優先順位付けされた動作可能なメンテナンスレコメンデーションを生成する。 本システムは、SSA(Singular Spectrum Analysis)とLSTM(Long Short-Term Memory)予測モデルを用いて、7つのオフィスアプライアンスを追跡する。 3段階のLangChainパイプラインは、常に3つのコアRAGソース(モデル信頼性、時間単位のベースライン、専門家の知識)を検索するContext Agentから始まり、イベント特性に基づいた条件付きで最大3つ(予測コンテキスト、異常履歴、グローバルベースライン)を追加する。 診断エージェントは、証拠を構造化されたJSON診断に変換し、報告エージェントは、人間が読める物語を描画する。 リフレクティブメモリ層はオペレータフィードバックを組み込む。 ダッシュボードには、リアルタイム30分の予測、日内消費、前日の異常レポート、フィードバックフォームが表示される。 定常・過渡的なスパイク,予期せぬシャットダウン,システムイベントを含む16-scenarioベンチマークの予測モデル,アプライアンス固有のしきい値を持つ異常検出器,およびLSM推論を行い,静的・動的検索下での5つのLLMバックエンドの比較を行った。 動的検索は、すべてのバックエンドにわたる完全な静的検索と一致し、平均コンテキストをイベント毎に6から3つのソースにカットする。 最高のバックエンドは70ポイントの閾値で100%パスレートで90.4/100を獲得し、完全にローカルな7Bパラメータモデルが16シナリオ全てをパスする。

関連論文リスト

• SCENARIODIFF: A Scenario-level Guidance Framework for Multimodal Time Series Forecasting--Extended Version [5.00208619516796]
  マルチモーダル時系列予測のための階層的文脈推論フレームワークであるSCENARIODIFFを提案する。 SCENARIODIFFは、コンテキスト情報を3つのレベルに分類する: 履歴コンテキストエージェントは、生文書から段階的に証拠を抽出し、シナリオエージェントは、予測水平線のための定性的なシナリオ記述を生成し、アンカーガイダンスエージェントは、イベント関連将来領域のスパースアンカーポイントを生成する。 Time-MMDベンチマークの実験では、SCENARIODIFFはイベント駆動ドメインで特に有効であることが示されている。
  論文  参考訳（メタデータ） (2026-08-17T22:05:09Z)
• IdleSpec: Exploiting Idle Time via Speculative Planning for LLM Agents [56.77101184011525]
  大規模言語モデル(LLM)ベースのエージェントは、反復的なツールコールと環境相互作用で多段階推論を活用することで複雑なタスクを解決する。 ほとんどのエージェントシナリオではアイドル時間が流行しているが、既存の作業では避けられないオーバーヘッドとして扱っている。 IdleSpecは、アイドル時間計算を利用してエージェントのパフォーマンスを向上させる、スケーラブルで汎用的な推論手法である。
  論文  参考訳（メタデータ） (2026-05-21T08:25:17Z)
• From Detection to Response: A Deep Learning and Retrieval-Augmented Generation Framework for Network Intrusion Mitigation [0.7136933021609079]
  本稿では,脅威検出と行動応答のギャップを埋める統一的なエンドツーエンドフレームワークを提案する。 まず、独立に訓練された3つのバイナリディープニューラルネットワーク(DNN)のアンサンブルで、ネットワークトラフィックフローをBenign, Denial of Service(DoS)またはDistributed Denial of Service(DDoS)に分類する。 第2に、Retrieval-Augmented Generation (RAG)パイプラインは、トップ5の異常な機能から説明対応プロンプトを構築する。
  論文  参考訳（メタデータ） (2026-05-18T07:17:55Z)
• Can LLM Agents Respond to Disasters? Benchmarking Heterogeneous Geospatial Reasoning in Emergency Operations [55.251494694783894]
  災害対応エージェントベンチマーク(DORA)は、エンド・ツー・エンドの災害対応のための最初のエージェントベンチマークである。 タスクは、災害認識、空間関係分析、救助・避難計画、時間的進化推論、マルチモーダルレポート合成という、災害対応パイプラインをカバーする5つの次元にまたがる。 DORAは、運用上の信頼性の高い災害対応エージェントのための厳格なテストベッドを確立する。
  論文  参考訳（メタデータ） (2026-05-12T06:57:41Z)
• ComplexMCP: Evaluation of LLM Agents in Dynamic, Interdependent, and Large-Scale Tool Sandbox [61.862814740220806]
  $textbfComplexMCP$は厳格な条件下でエージェントを評価するために設計されたベンチマークである。 Model Context Protocol (MCP)上に構築された$textbfComplexMCP$は300以上の精巧にテストされたツールを提供する。
  論文  参考訳（メタデータ） (2026-05-11T16:20:51Z)
• Towards Multi-Agent Autonomous Reasoning in Hydrodynamics [0.06999740786886537]
  本稿では,多エージェントをレイヤ実行グラフ(LEG)を介して協調させる,流体力学のためのマルチエージェントシステム(MAS)のプロトタイプを提案する。 プランナーエージェントは、ドメイン知識を厳密な制御ロジックとしてハードコーディングすることなく、自然言語ルーティングからクエリ固有の実行トポロジを構築する。 レポーターエージェントが最終応答を合成し、ランタイムが監査性をサポートするためのツール呼び出し毎に証明をログする。
  論文  参考訳（メタデータ） (2026-05-01T21:17:55Z)
• When Benchmarks Lie: Evaluating Malicious Prompt Classifiers Under True Distribution Shift [0.0]
  有害なリクエスト、ジェイルブレイク、間接的なプロンプトインジェクション、抽出攻撃にまたがる18のデータセットのベンチマークを用いて、包括的な分析を行う。 我々は,真のアウト・オブ・ディストリビューションの一般化を評価するために,LODO(Leave-One-Dataset-Out)評価を提案する。
  論文  参考訳（メタデータ） (2026-02-15T14:21:43Z)
• Agentic Spatio-Temporal Grounding via Collaborative Reasoning [80.83158605034465]
  時間的ビデオグラウンド(Temporal Video Grounding)は、テキストクエリが与えられたビデオ内の対象物または人の時間的チューブを検索することを目的としている。 本稿では,STVGの課題に対して,オープンワールドおよびトレーニングフリーシナリオに向けたエージェント時空間グラウンド(ASTG)フレームワークを提案する。 具体的には、現代多言語モデル(MLLM)を活用した2つの特殊エージェントSRA(Spatial Reasoning Agent)とTRA(Temporal Reasoning Agent)である。 人気のあるベンチマークの実験は、既存の弱教師付きおよびゼロショットアプローチをマージンで上回る提案手法の優位性を実証している。
  論文  参考訳（メタデータ） (2026-02-10T10:16:27Z)
• TSAQA: Time Series Analysis Question And Answering Benchmark [85.35545785252309]
  時系列データは、金融、医療、交通、環境科学といった分野における重要な応用に不可欠である。 TSAQAはタスクカバレッジを拡大し、多様な時間的分析能力を評価するために設計された新しい統合ベンチマークである。
  論文  参考訳（メタデータ） (2026-01-30T17:28:56Z)
• Keep the Lights On, Keep the Lengths in Check: Plug-In Adversarial Detection for Time-Series LLMs in Energy Forecasting [35.31487571405278]
  本稿では,TS-LLMの可変長入力機能を利用したプラグイン検出フレームワークを提案する。 我々は3つのエネルギーデータセットにまたがる3つの代表的なTS-LLMに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2025-12-13T03:24:36Z)
• LiveSearchBench: An Automatically Constructed Benchmark for Retrieval and Reasoning over Dynamic Knowledge [31.40589987269264]
  近年の知識更新から検索依存ベンチマークを構築するためのパイプラインであるLiveSearchBenchを紹介する。 提案手法は, 連続するウィキデータスナップショット間のデルタを計算し, 品質の3倍をフィルタし, 3段階の推論困難度で自然言語質問を合成する。 実験では、モデルが過去の事前トレーニングの事実に直面すると、パフォーマンスの低下が顕著になる。
  論文  参考訳（メタデータ） (2025-11-03T10:00:49Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)

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。