論文の概要: Towards Principled Continual Anomaly Detection: A Systematic Framework and Benchmark Scenarios

• arxiv url: http://arxiv.org/abs/2607.18289v1
• Date: Tue, 30 Jun 2026 14:50:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.109412
• Title: Towards Principled Continual Anomaly Detection: A Systematic Framework and Benchmark Scenarios
• Title（参考訳）: 原則的連続異常検出に向けて:システムフレームワークとベンチマークシナリオ
• Abstract要約: 連続異常検出は、モデルが進化するデータ分布に適応する方法を研究する。 ベンチマークはタスクの定義、フィルタリング、順序付け、検証の方法に大きく依存する。
• 参考スコア（独自算出の注目度）: 4.936542064603366
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Continual anomaly detection (CAD) studies how models can adapt to evolving data distributions while retaining performance on previously observed regimes. CAD benchmarks, however, depend critically on how tasks are defined, filtered, ordered, and validated. In tabular domains, task boundaries are rarely given, and arbitrary splits can create unlearnable, redundant, or overly transferable tasks that obscure genuine continual-learning behavior. To this end, we introduce a systematic framework for reproducible benchmark scenario design from existing tabular anomaly-detection datasets. The framework discovers candidate tasks, filters unsuitable tasks, and derives principled orderings that expose diverse dynamics. The framework allows us to deliver five benchmark-ready scenarios from three large-scale cybersecurity anomaly detection datasets, yielding both single-dataset and multi-dataset CAD settings.
• Abstract（参考訳）: CAD(Continuous Anomaly Detection)は、モデルが以前に観測された状態における性能を維持しながら、進化するデータ分布に適応する方法を研究する。 しかしCADベンチマークは、タスクの定義、フィルタリング、順序付け、検証の方法に大きく依存する。 表形式のドメインでは、タスク境界はめったに与えられず、任意の分割は、真の継続的学習の振る舞いを曖昧にするような、学習不能、冗長、あるいは過度に移行可能なタスクを生み出すことができる。 そこで本稿では,既存の表付き異常検出データセットから再現可能なベンチマークシナリオを設計するための体系的フレームワークを提案する。 このフレームワークは、候補タスクを発見し、不適切なタスクをフィルタリングし、多様なダイナミクスを公開する原則的な順序付けを導出する。 このフレームワークは3つの大規模サイバーセキュリティ異常検出データセットからベンチマーク可能なシナリオを5つ提供し、シングルデータセットとマルチデータセットCAD設定の両方を提供する。

関連論文リスト

• SDDMO-Bench: A Benchmark Suite for Streaming Data-Driven Dynamic Multi-Objective Optimization [10.627368862090728]
  本稿では,動的多目的テスト問題をストリーミング環境に変換するベンチマークスイートであるSDDMO-Benchを提案する。 5つの時間依存基底関数と6つの分布ドリフトパターンを組み合わせることで、SDDMO-Benchは30のシナリオを構成する。 代表的な進化的アルゴリズムを用いた実験は、SDDMO-Benchが挑戦的で差別的なテストシナリオを提供することを示した。
  論文  参考訳（メタデータ） (2026-08-01T06:56:01Z)
• TaskFusion: Continual Anomaly Detection for Heterogeneous Tabular Data [11.770179526235511]
  本研究では,異なるタスクから連続的に学習するための連続学習法を提案する。 提案手法は, AGFモデル, Taskfusion Augmentation およびoutlier exposure の3つの主要部分から構成される。 複数の領域にまたがる21の異種データセットに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2026-06-10T09:21:28Z)
• A Foundation Model for Instruction-Conditioned In-Context Time Series Tasks [0.7677431882779153]
  In-context Learning (ICL) では、モデルをパラメータを更新するのではなく、例に条件付けすることで推論時に適応させることができる。 本稿では,量子レグレッションT5エンコーダを用いた命令条件付き時系列タスクの基礎モデルを提案する。
  論文  参考訳（メタデータ） (2026-03-23T21:24:41Z)
• It's TIME: Towards the Next Generation of Time Series Forecasting Benchmarks [87.7937890373758]
  時系列基礎モデル(TSFM)は,特定のデータセットモデルから一般化可能なタスク評価に至るまで,予測環境に革命をもたらしている。 我々は、50の新しいデータセットと98の予測タスクからなる次世代タスク中心のベンチマークであるTIMEを紹介する。 静的なメタラベルに基づく従来のデータセットレベルの評価を超える新しいパターンレベルの評価視点を提案する。
  論文  参考訳（メタデータ） (2026-02-12T16:31:01Z)
• Model Specific Task Similarity for Vision Language Model Selection via Layer Conductance [92.72779885657373]
  本稿では,視覚エンコーダの内部関数力学におけるモデル選択の基盤となるフレームワークを提案する。 提案手法は,各タスクをレイヤワイドコンダクタンスにより表現し,エントロピー正規化アライメントによる目標条件付きブロック重要度分布を導出する。 そこで本研究では,DCD(Directional Conductance Divergence)という,ソースタスクが対象の機能ブロックをいかに効果的にカバーするかを定量化する非対称な指標を提案する。
  論文  参考訳（メタデータ） (2026-02-01T17:29:43Z)
• CADIC: Continual Anomaly Detection Based on Incremental Coreset [0.0]
  本稿では,全てのタスクが統一メモリバンクを共有する新しいCADフレームワークを提案する。 トレーニング中、このメソッドは固定サイズのコアセット内の埋め込みを漸進的に更新する。 推論段階では、異常スコアは最寄りのマッチング機構を介して計算される。
  論文  参考訳（メタデータ） (2025-11-10T03:13:11Z)
• Adapting Vision-Language Models Without Labels: A Comprehensive Survey [74.17944178027015]
  VLM(Vision-Language Models)は、幅広いタスクにまたがる顕著な一般化機能を示す。 近年,ラベル付きデータに依存しない教師なし適応手法に注目が集まっている。 本稿では,未ラベルの視覚データの可用性と性質に基づく分類法を提案し,既存のアプローチを4つの重要なパラダイムに分類する。
  論文  参考訳（メタデータ） (2025-08-07T16:27:37Z)
• PATH: A Discrete-sequence Dataset for Evaluating Online Unsupervised Anomaly Detection Approaches for Multivariate Time Series [0.01874930567916036]
  多変量時系列に対する異常検出手法のベンチマークは、高品質なデータセットが不足しているため、難しい課題である。 我々は、最先端のシミュレーションツールによって生成される多種多様な、広範囲で、非自明なデータセットという解決策を提案する。 我々のデータセットは離散列問題を表しており、文献でこれまで提案されていた解には未適応のままである。
  論文  参考訳（メタデータ） (2024-11-21T09:03:12Z)
• Task-Distributionally Robust Data-Free Meta-Learning [99.56612787882334]
  Data-Free Meta-Learning (DFML)は、複数の事前学習モデルを活用することで、独自のトレーニングデータを必要とせずに、新しいタスクを効率的に学習することを目的としている。 TDS(Task-Distribution Shift)とTDC(Task-Distribution Corruption)の2つの大きな課題を初めて明らかにした。
  論文  参考訳（メタデータ） (2023-11-23T15:46:54Z)
• 3DMODT: Attention-Guided Affinities for Joint Detection & Tracking in 3D Point Clouds [95.54285993019843]
  本稿では,3次元点雲における複数物体の同時検出と追跡手法を提案する。 本モデルでは,複数のフレームを用いた時間情報を利用してオブジェクトを検出し,一つのネットワーク上で追跡する。
  論文  参考訳（メタデータ） (2022-11-01T20:59:38Z)
• Continual Object Detection via Prototypical Task Correlation Guided Gating Mechanism [120.1998866178014]
  pRotOtypeal taSk corrElaTion guided gaTingAnism (ROSETTA)による連続物体検出のためのフレキシブルなフレームワークを提案する。 具体的には、統一されたフレームワークはすべてのタスクで共有され、タスク対応ゲートは特定のタスクのサブモデルを自動的に選択するために導入されます。 COCO-VOC、KITTI-Kitchen、VOCのクラスインクリメンタル検出、および4つのタスクの逐次学習の実験により、ROSETTAが最先端のパフォーマンスを得ることが示された。
  論文  参考訳（メタデータ） (2022-05-06T07:31:28Z)

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。