論文の概要: Lightweight Multi-Scale Anomaly Detection for Resource-Constrained Edge Devices

• arxiv url: http://arxiv.org/abs/2607.12599v1
• Date: Tue, 14 Jul 2026 10:19:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.11709
• Title: Lightweight Multi-Scale Anomaly Detection for Resource-Constrained Edge Devices
• Title（参考訳）: 資源制約エッジデバイスの軽量マルチスケール異常検出
• Abstract要約: IoTシステム、センサネットワーク、エッジ監視アプリケーションでは、時系列異常検出がますます重要になっている。 近年のディープラーニングアプローチでは検出精度が向上しているが、多くは計算に高価であり、微妙な異常を捉えることができない。 本稿では,一変量時系列異常検出のための軽量マルチスケールオートエンコーダネットワークを提案する。
• 参考スコア（独自算出の注目度）: 0.12891210250935145
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-series anomaly detection is increasingly important in IoT systems, sensor networks, and edge monitoring applications, where models must operate under strict constraints on memory, latency, and power consumption. While recent deep-learning approaches have improved detection accuracy, many remain computationally expensive and often fail to capture subtle anomalies due to limited multi-scale sensitivity. Autoencoders are widely used for anomaly detection because they reconstruct normal patterns well, leading to elevated reconstruction errors for anomalous inputs. Their simplicity and efficiency also make them suitable lightweight backbones for handling multi-scale inputs. To address these challenges, we propose a Lightweight MultiScale AutoEncoder (LMSAE) network for univariate time-series anomaly detection, designed to be compact and computationally efficient. LMSAE leverages the Discrete Wavelet Transform (DWT) to extract multi-scale features and employs a multi-scale loss function to improve sensitivity to subtle or hidden anomalies. Experiments on benchmark datasets demonstrate competitive or superior detection performance despite using significantly fewer parameters and a model size of less than 500 KB. LMSAE also achieves low-latency, low-power inference on the NVIDIA Jetson Nano, with 9x reduction in inference latency and 2x reduction in power consumption, making it ideal for edge deployment.
• Abstract（参考訳）: 時系列異常検出は、IoTシステム、センサネットワーク、エッジ監視アプリケーションにおいてますます重要になっている。 最近のディープラーニングアプローチでは検出精度が向上しているが、多くは計算コストが高く、マルチスケールの感度に制限があるため、微妙な異常を捉えることができない。 オートエンコーダは、正常なパターンをよく再構成し、異常な入力に対する再構成エラーを増大させるため、異常検出に広く用いられている。 その単純さと効率性により、マルチスケールインプットを扱うための軽量なバックボーンも適している。 これらの課題に対処するために,小型かつ計算効率のよい一変量時系列異常検出のための軽量マルチスケールオートエンコーダ(LMSAE)ネットワークを提案する。 LMSAEは離散ウェーブレット変換(DWT)を利用してマルチスケールの特徴を抽出し、微妙または隠された異常に対する感度を改善するためにマルチスケールの損失関数を利用する。 ベンチマークデータセットの実験では、パラメータが著しく少なく、モデルサイズが500KB未満であるにもかかわらず、競合や優れた検出性能が示されている。 LMSAEはまた、NVIDIA Jetson Nanoの低レイテンシで低消費電力の推論を実現し、推論遅延の9倍、消費電力の2倍の削減を実現し、エッジデプロイメントに最適である。

関連論文リスト

• SMT-AD: a scalable quantum-inspired anomaly detection approach [11.096405723993607]
  量子インスパイアされたテンソルネットワークアルゴリズムは、機械学習タスクの効率的かつ効率的なモデルであることが示されている。 異常検出のための多分解能の重ね合わせからSMT-ADと呼ぶ並列化可能な量子インスピレーション方式を提案する。 クレジットカード取引を含む標準データセットに適用した場合に異常検出を成功させる。
  論文  参考訳（メタデータ） (2026-04-07T02:37:45Z)
• Amped: Adaptive Multi-stage Non-edge Pruning for Edge Detection [53.59823657644554]
  エッジ検出のための適応型多段非エッジプルーニングフレームワーク(Amped)を提案する。 Ampedは高信頼の非エッジトークンを識別し、可能な限り早く削除し、計算を大幅に削減する。 既存のエッジ検出ネットワークの構造的複雑さを軽減するため,Streamline Edge Detector(SED)と呼ばれる,シンプルながら高性能なTransformerベースのモデルを導入する。
  論文  参考訳（メタデータ） (2026-03-29T12:26:35Z)
• SlowFastVAD: Video Anomaly Detection via Integrating Simple Detector and RAG-Enhanced Vision-Language Model [52.47816604709358]
  ビデオ異常検出(VAD)は、ビデオ内の予期せぬ事象を識別することを目的としており、安全クリティカルドメインに広く応用されている。 視覚言語モデル(VLM)は強力なマルチモーダル推論能力を示し、異常検出の新しい機会を提供している。 SlowFastVADは高速異常検出器と低速異常検出器を統合したハイブリッドフレームワークである。
  論文  参考訳（メタデータ） (2025-04-14T15:30:03Z)
• 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)
• DM3D: Distortion-Minimized Weight Pruning for Lossless 3D Object Detection [42.07920565812081]
  本稿では,3次元物体検出のための新しいトレーニング後の重み付け手法を提案する。 事前訓練されたモデルにおける冗長パラメータを決定し、局所性と信頼性の両方において最小限の歪みをもたらす。 本フレームワークは,ネットワーク出力の歪みを最小限に抑え,検出精度を最大に維持することを目的とする。
  論文  参考訳（メタデータ） (2024-07-02T09:33:32Z)
• Towards efficient deep autoencoders for multivariate time series anomaly detection [0.8681331155356999]
  本稿では,3つの要素を含むディープオートエンコーダの圧縮手法を提案する。 第一に、プルーニングは、高速な探索プロセスにより、破滅的な精度の低下を防止しつつ、重量を減らす。 第二に、線形および非線形量子化は、各重みごとにビット数を減らし、モデルの複雑さを減少させる。
  論文  参考訳（メタデータ） (2024-03-04T19:22:09Z)
• Global Context Aggregation Network for Lightweight Saliency Detection of Surface Defects [70.48554424894728]
  我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。 まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。 3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
  論文  参考訳（メタデータ） (2023-09-22T06:19:11Z)
• Quantized Non-Volatile Nanomagnetic Synapse based Autoencoder for Efficient Unsupervised Network Anomaly Detection [0.07892577704654172]
  ハードウェア,エネルギ,計算資源の制限により,リアルタイムに学習可能なエッジデバイスにオートエンコーダを実装することは困難であることを示す。 自己エンコーダのシナプスとして磁区壁(DW)をホストするノッチを用いた強磁性競馬場を提案する。 我々のDWベースのアプローチは、浮動小数点法と比較して、トレーニング中の重量更新の少なくとも3桁の顕著な減少を示す。
  論文  参考訳（メタデータ） (2023-09-12T02:29:09Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Efficient Decoder-free Object Detection with Transformers [75.00499377197475]
  視覚変換器(ViT)は、物体検出アプローチのランドスケープを変化させている。 本稿では,デコーダフリー完全トランス(DFFT)オブジェクト検出器を提案する。 DFFT_SMALLは、トレーニングおよび推論段階で高い効率を達成する。
  論文  参考訳（メタデータ） (2022-06-14T13:22:19Z)
• Minimal-Configuration Anomaly Detection for IIoT Sensors [0.2462953128215087]
  業界における低コストのIoTセンサプラットフォームは、異常検出ソリューションの需要を高めている。 近年のディープラーニング技術はセンサデータ記録における異常検出に有望な方法を提供している。 本研究は,一般的な異常検出手法への第一歩だと考えている。
  論文  参考訳（メタデータ） (2021-10-08T11:52:52Z)

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。