論文の概要: Federated Low-Rank Koopman Learning for Multivariate Time-Series Anomaly Detection in IoT Systems

• arxiv url: http://arxiv.org/abs/2607.08978v1
• Date: Thu, 09 Jul 2026 22:48:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 14:47:12.752298
• Title: Federated Low-Rank Koopman Learning for Multivariate Time-Series Anomaly Detection in IoT Systems
• Title（参考訳）: IoTシステムにおける多変量時系列異常検出のためのフェデレーション低ランククープマン学習
• Authors: Tung-Anh Nguyen, Van-Phuc Bui, Anh Tuyen Le, Kim Hue Ta, Minh Thuy Le, J. Andrew Zhang, Xiaojing Huang,
• Abstract要約: FedKADは、分散IoT多変量時系列のためのリソース効率の高いフェデレーション付きクープマン異常検出フレームワークである。 軽量なスライドウインドウクープマン表現を通して通常の時間力学を学習する。 2.1times103$高速トレーニング、80times$低通信、79times$低推論レイテンシを提供する。
• 参考スコア（独自算出の注目度）: 21.604249370353585
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Distributed IoT systems generate multivariate time-series streams for monitoring physical assets, servers, and embedded sensing platforms. Detecting abnormal temporal behavior is critical for fault diagnosis, predictive maintenance, and security. However, practical IoT anomaly detection is hindered by decentralized and non-IID data, limited bandwidth, and the constrained computation and memory of edge devices. This paper proposes FedKAD, a resource-efficient federated Koopman anomaly detection framework for distributed IoT multivariate time series. Unlike deep-learning-based anomaly detectors that require training and communicating large neural models, FedKAD learns normal temporal dynamics through lightweight sliding-window Koopman representations. Federated training is formulated as a low-rank consensus problem, where raw sensor streams and local reduced dynamics remain on device while only compact subspace variables are exchanged with the server. To optimize the shared representation under orthonormality constraints, we develop a federated Stiefel-ADMM algorithm and provide convergence and stationarity analysis under partial client participation. During inference, each client detects anomalies locally by measuring the prediction residual between observed future trajectories and the learned Koopman dynamics. Experiments on four widely used multivariate time-series anomaly detection benchmarks show that FedKAD maintains or improves detection performance compared with federated deep-learning baselines. More importantly for IoT deployment, FedKAD provides up to $2.1\times10^3$ faster training, $80\times$ lower communication, and $79\times$ lower inference latency than neural baselines, confirming its suitability for resource-constrained edge devices.
• Abstract（参考訳）: 分散IoTシステムは、物理資産、サーバ、組み込みセンシングプラットフォームを監視するために、多変量時系列ストリームを生成する。 異常な時間的行動の検出は、障害診断、予測保守、セキュリティに不可欠である。 しかし、実際のIoT異常検出は、分散データと非IIDデータ、帯域幅の制限、エッジデバイスの制限された計算とメモリによって妨げられる。 本稿では、分散IoT多変量時系列のためのリソース効率の高いコオプマン異常検出フレームワークであるFedKADを提案する。 大規模なニューラルネットワークのトレーニングと通信を必要とするディープラーニングベースの異常検出とは異なり、FedKADは軽量なスライドウインドウクープマン表現を通じて通常の時間的ダイナミクスを学習する。 フェデレーショントレーニングは低ランクのコンセンサス問題として定式化され、センサストリームとローカルリダクションダイナミクスがデバイス上に留まり、コンパクトなサブスペース変数のみがサーバと交換される。 正規化制約下での共有表現を最適化するために,連合型Stiefel-ADMMアルゴリズムを開発し,部分的クライアント参加下での収束と定常性解析を提供する。 推定中,各クライアントは観測された将来の軌跡と学習したクープマンダイナミクスの間の予測残差を計測することにより,異常を局所的に検出する。 4つの多変量時系列異常検出ベンチマークの実験により、FedKADは、フェデレートされたディープラーニングベースラインと比較して、検出性能を維持または改善していることが示された。 さらに重要なのは、IoTデプロイメントにおいて、FedKADが最大で2.1\times10^3$高速トレーニング、80\times$低通信、79\times$低推論レイテンシをニューラルベースラインよりも低く提供し、リソース制約のあるエッジデバイスに適していることを確認したことだ。

関連論文リスト

• Multiresolution Analysis and Statistical Thresholding on Dynamic Networks [49.09073800467438]
  ANIE(Adaptive Network Intensity Estimation)は、ネットワーク構造が進化する時間スケールを自動的に識別する多段階フレームワークである。 ANIEは適切な時間分解能に適応し、ノイズに頑健でありながら鋭い構造変化を捉えることができることを示す。
  論文  参考訳（メタデータ） (2025-06-01T22:55:55Z)
• Federated Koopman-Reservoir Learning for Large-Scale Multivariate Time-Series Anomaly Detection [12.44225906937484]
  FedKOは、教師なしのFederated Learningフレームワークである。 エッジデバイスにデプロイされ、ローカルMVTSストリームの異常を効率的に検出する。 最大8倍の通信サイズと2倍のメモリ使用量を削減し、大規模システムに非常に適している。
  論文  参考訳（メタデータ） (2025-03-14T10:06:52Z)
• A Novel Spatiotemporal Correlation Anomaly Detection Method Based on Time-Frequency-Domain Feature Fusion and a Dynamic Graph Neural Network in Wireless Sensor Network [9.031267813814118]
  アテンションベースのトランスフォーマーは、長期依存を捕捉する能力により、無線センサネットワーク(WSN)のタイミング異常検出において重要な役割を担っている。 本稿では,周波数領域の特徴を動的グラフニューラルネットワーク(GNN)と統合したWSN異常検出手法を提案する。
  論文  参考訳（メタデータ） (2025-02-25T04:34:18Z)
• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• 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)
• Uncertainty-Aware Deep Attention Recurrent Neural Network for Heterogeneous Time Series Imputation [0.25112747242081457]
  欠落は多変量時系列においてユビキタスであり、信頼できる下流分析の障害となる。 本稿では、欠落した値とその関連不確かさを共同で推定するDeep Attention Recurrent Imputation (Imputation)を提案する。 実験の結果,実世界のデータセットを用いた多様な計算タスクにおいて,SOTAを上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-01-04T13:21:11Z)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• Deep Federated Anomaly Detection for Multivariate Time Series Data [93.08977495974978]
  本稿では,Fed-ExDNN(Federated Exemplar-based Deep Neural Network)を用いて,異なるエッジデバイス上での多変量時系列データの異常検出を行う。 ExDNNとFed-ExDNNは、最先端の異常検出アルゴリズムやフェデレーション学習技術より優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-09T05:06:58Z)
• Federated Variational Learning for Anomaly Detection in Multivariate Time Series [13.328883578980237]
  本稿では,非教師付き時系列異常検出フレームワークを提案する。 我々は,畳み込みGated Recurrent Unit(ConvGRU)モデルに基づいて,共有変分オートエンコーダ(VAE)を学習するために,エッジに分散したトレーニングデータを残しておく。 3つの実世界のネットワークセンサーデータセットの実験は、他の最先端モデルに対する我々のアプローチの利点を示しています。
  論文  参考訳（メタデータ） (2021-08-18T22:23:15Z)
• Deep Anomaly Detection for Time-series Data in Industrial IoT: A Communication-Efficient On-device Federated Learning Approach [40.992167455141946]
  本稿では,IIoTにおける時系列データ検出のための,新しい通信効率の高いデバイス上でのフェデレーション学習(FL)に基づく深層異常検出フレームワークを提案する。 まず、分散エッジデバイスが協調して異常検出モデルを訓練し、その一般化能力を向上させるためのFLフレームワークを導入する。 次に,アテンションメカニズムに基づく畳み込みニューラルネットワーク-Long Short Term Memory (AMCNN-LSTM) モデルを提案し,異常を正確に検出する。 第三に,提案したフレームワークを産業異常検出のタイムラインに適用するために,トップテキスト選択に基づく勾配圧縮機構を提案する。
  論文  参考訳（メタデータ） (2020-07-19T16:47:26Z)

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。