論文の概要: Distributed Hierarchical Temporal Memory with Shared Associative Memory for Cross-Entity Preemptive Warning
- arxiv url: http://arxiv.org/abs/2606.31789v1
- Date: Tue, 30 Jun 2026 15:11:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.279515
- Title: Distributed Hierarchical Temporal Memory with Shared Associative Memory for Cross-Entity Preemptive Warning
- Title（参考訳）: クロスエンティティプリエンプティブ警告のための共有連想記憶を用いた分散階層的一時記憶
- Abstract要約: 本稿では,クロスエンタリティプリエンプティブ警告を可能にするニューロモルフィックフレームワークである分散階層時間メモリ(D-HTM)を紹介する。
D-HTMは、観測結果を共通のスパース分散表現空間に投影する空間プールと、エンティティ固有のダイナミクスをオンラインで学習するテンポラルメモリモジュールと、繰り返し発生するプリアノマリーシグネチャを格納する共有連想メモリを組み合わせる。
関連するエンティティ間で事前知識を再利用することにより、D-HTMは、HTMのオンライン学習能力を保ちながら、局所的な異常発生前に警告を発することができる。
- 参考スコア（独自算出の注目度）: 0.2548904650574671
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomaly detection in multivariate time series remains a critical challenge in large-scale distributed systems, where related entities may exhibit transferable precursor behavior prior to anomaly onset. Existing methods typically operate independently on each data stream and therefore remain fundamentally reactive. To address this limitation, we introduce Distributed Hierarchical Temporal Memory (D-HTM), a neuromorphic framework that enables cross-entity preemptive warning through a Shared Associative Memory (SAM). D-HTM combines a Spatial Pooler (SP) that projects observations into a common Sparse Distributed Representation (SDR) space, Temporal Memory (TM) modules that learn entity-specific dynamics online, and a Shared Associative Memory that stores recurring pre-anomaly signatures. By reusing precursor knowledge across related entities, D-HTM can issue warnings prior to local anomaly onset while preserving HTM's online learning capabilities. We evaluate D-HTM on the Server Machine Dataset (SMD), the Soil Moisture Active Passive (SMAP) dataset, the Mars Science Laboratory (MSL) dataset, and a synthetic cascade benchmark designed to isolate precursor transfer. Experimental results demonstrate effective cross-entity warning propagation while maintaining competitive reactive anomaly detection performance. Across the real-world datasets, D-HTM provides an average warning lead time of 8.1 samples prior to anomaly onset. These findings demonstrate that transferable precursor structure can emerge within a shared SDR space and be reused for preemptive warning generation, extending HTM beyond isolated reactive detection toward distributed predictive reasoning.
- Abstract（参考訳）: 多変量時系列における異常検出は、大規模分散システムにおいて重要な課題であり、関連するエンティティは異常発生前に転送可能な前駆挙動を示す。
既存のメソッドは通常、各データストリームで独立して動作します。
この制限に対処するために、共有連想メモリ(SAM)を介して、クロスエンテントプリエンプティブ警告を可能にするニューロモルフィックフレームワークである分散階層時間メモリ(D-HTM)を導入する。
D-HTMは、観測結果を共通のスパース分散表現(SDR)空間に投影する空間プール(SP)と、エンティティ固有のダイナミクスをオンラインで学習するテンポラルメモリ(TM)モジュールと、繰り返し発生するプリアノマリーシグネチャを格納する共有連想メモリを組み合わせる。
関連するエンティティ間で事前知識を再利用することにより、D-HTMは、HTMのオンライン学習能力を保ちながら、局所的な異常発生前に警告を発することができる。
我々は,SMD,SMAPデータセット,Mars Science Laboratory(MSL)データセット,および前駆体移動を分離するための合成カスケードベンチマークを用いてD-HTMを評価する。
実験結果から, 競合反応性異常検出性能を維持しつつ, 効果的なクロスエンタリティ警告伝搬を実証した。
実世界のデータセット全体にわたって、D-HTMは異常発生前に平均8.1サンプルの警告リード時間を提供する。
これらの結果は, 伝達可能な前駆体構造が共有SDR空間内に出現し, プリエンプティブ警告生成のために再利用できることを示し, HTMは分離された反応性検出を超えて分散予測推論へと拡張することを示した。
関連論文リスト
- ASTER: Latent Pseudo-Anomaly Generation for Unsupervised Time-Series Anomaly Detection [13.213712558290823]
時系列異常検出は、産業監視、医療、サイバーセキュリティといった分野において重要である。
本稿では,擬似アノマリーを潜在空間で直接生成するフレームワークであるASTERを提案する。
潜時空間デコーダは、Transformerベースの異常をトレーニングするために、カスタマイズされた擬似アノマリーを生成する。
事前訓練されたLLMは、この空間の時間的および文脈的表現を豊かにする。
論文 参考訳（メタデータ） (2026-04-15T14:32:35Z) - Towards foundation-style models for energy-frontier heterogeneous neutrino detectors via self-supervised pre-training [0.4151704012621244]
異種検出器データから再利用可能な表現を学習するための疎ViTフレームワークを提案する。
自己教師付き事前訓練は、マスク付き自己エンコーダ再構築とリレーショナルボクセルレベルの目的を組み合わせる。
プレトレーニングはニュートリノの風味とチャームクォークの識別を継続的に改善する。
論文 参考訳（メタデータ） (2026-04-08T12:52:00Z) - Discrete Prototypical Memories for Federated Time Series Foundation Models [62.22804699052539]
FLベースの時系列基礎モデルとして大規模言語モデルを活用することは、LLMの一般化能力を時系列データに転送する有望な方法を提供する。
しかし、時系列データと既存のLCMのテキスト中心の潜在空間とのセマンティックなミスアライメントは、しばしば性能低下につながる。
離散型記憶に基づく時系列基礎モデルのための統合フレームワークであるtextscFeDPMを提案する。
論文 参考訳（メタデータ） (2026-04-06T06:57:08Z) - Extended Hybrid Timed Petri Nets with Semi-Supervised Anomaly Detection for Switched Systems, Modelling and Fault Detection [0.0]
本稿では,ハイブリッド力学系のための統合障害検出フレームワークを提案する。
拡張時間連続ペトリネットモデルと半教師付き異常検出を統合している。
その結果,高い検出精度,高速収束,ロバスト性能が得られた。
論文 参考訳（メタデータ） (2026-04-05T10:54:15Z) - MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。
MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。
このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
論文 参考訳（メタデータ） (2026-02-14T14:00:06Z) - Real-Time Proactive Anomaly Detection via Forward and Backward Forecast Modeling [0.0]
本稿では,前向き予測モデル (FFM) と後向き再構成モデル (BRM) の2つの前向きな異常検出フレームワークを紹介する。
FFMは破壊を予想する将来のシーケンスを予測し、BRMは将来の状況から最近の歴史を再構築し、初期の前駆体を明らかにする。
我々のモデルは連続的および離散的多変量特徴の両方をサポートし、実環境における堅牢な性能を実現する。
論文 参考訳（メタデータ） (2026-02-12T03:57:41Z) - 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) - SEDM: Scalable Self-Evolving Distributed Memory for Agents [23.182291416527764]
SEDMは、メモリをパッシブリポジトリからアクティブな自己最適化コンポーネントに変換する検証可能で適応的なフレームワークである。
また,SEDMは,強いメモリベースラインに比べてトークンオーバーヘッドを低減しつつ,推論精度を向上することを示した。
結果は、SEDMをオープンエンドのマルチエージェントコラボレーションのためのスケーラブルで持続可能なメモリメカニズムとして強調する。
論文 参考訳（メタデータ） (2025-09-11T14:37:37Z) - Let Synthetic Data Shine: Domain Reassembly and Soft-Fusion for Single Domain Generalization [68.41367635546183]
単一ドメインの一般化は、単一のソースからのデータを使用して、さまざまなシナリオで一貫したパフォーマンスでモデルをトレーニングすることを目的としている。
モデル一般化を改善するために合成データを活用した学習フレームワークDRSFを提案する。
論文 参考訳（メタデータ） (2025-03-17T18:08:03Z) - 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) - Cloud Failure Prediction with Hierarchical Temporary Memory: An
Empirical Assessment [64.73243241568555]
Hierarchical Temporary Memory (HTM) は、新皮質の特徴にインスパイアされた教師なし学習アルゴリズムである。
本稿では,障害予測の文脈でHTMを評価する最初の体系的研究について述べる。
論文 参考訳（メタデータ） (2021-10-06T07:09:45Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-09-29T21:17:16Z)
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。