論文の概要: OrEdge: Efficient Multi-Modal Anomaly Detection in Distributed Software Systems via Orthogonal-Domain Learning

• arxiv url: http://arxiv.org/abs/2608.00309v1
• Date: Fri, 31 Jul 2026 21:42:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 15:10:25.705164
• Title: OrEdge: Efficient Multi-Modal Anomaly Detection in Distributed Software Systems via Orthogonal-Domain Learning
• Title（参考訳）: OrEdge: 直交ドメイン学習による分散システムにおける効率的なマルチモーダル異常検出
• Abstract要約: 本稿では,分散ソフトウェアシステムにおけるリアルタイム異常検出フレームワークOrthogonal-Edgeを紹介する。 OrEdgeのコアとなるOrEdgeCoreは,ライトウェイトな直交ドメイン再構築モジュールである。 実世界の3つのマイクロサービスデータセットに基づいて評価されたOrEdgeは、競合検出のパフォーマンスを達成する。 Raspberry Piプラットフォームでは、OrEdgeはサブ秒の推論を実現し、既存のアプローチに比べて1桁以上の推論レイテンシを低減する。
• 参考スコア（独自算出の注目度）: 1.1309064441249301
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Orthogonal-Edge (OrEdge), a lightweight framework for real-time anomaly detection in multi-modal distributed software systems. Unlike existing approaches that rely on computationally expensive attention- and graph-based architectures, OrEdge leverages orthogonal-domain temporal representations to achieve accurate anomaly detection with substantially lower computational complexity and model size. It jointly analyzes heterogeneous monitoring data, including logs, metrics, and traces, to identify abnormal software behavior, capture temporal dependencies, and reduce redundancy across observability signals. At its core, OrEdge incorporates OrEdgeCore, a lightweight orthogonal-domain reconstruction module that captures recurring temporal patterns while suppressing transient variations. Evaluated on three real-world microservice datasets (MSDS, SN, and TT), OrEdge achieves competitive detection performance while reducing the reconstruction model size to at most 9.6K parameters, compared with 20K--143K parameters in existing methods. This compact design enables efficient deployment on resource-constrained edge devices: on Raspberry Pi platforms, OrEdge achieves sub-second inference and reduces inference latency by over an order of magnitude compared with existing approaches. Extensive ablation studies, sensitivity analyses, orthogonal basis evaluations, and qualitative case studies further validate the effectiveness of each design component. Overall, OrEdge demonstrates that orthogonal-domain temporal modeling provides an effective alternative to computationally intensive attention- and graph-based architectures, achieving a favorable balance between detection accuracy and computational efficiency for real-time multi-modal anomaly detection in edge environments. The code is available at https://github.com/theamrzaki/MicroService_Twin_Original.
• Abstract（参考訳）: マルチモーダル分散ソフトウェアシステムにおけるリアルタイム異常検出のための軽量フレームワークOrthogonal-Edge(OrEdge)を紹介する。 計算コストのかかる注目アーキテクチャやグラフベースのアーキテクチャに依存する既存のアプローチとは異なり、OrEdgeは直交領域の時間表現を活用して、計算複雑性とモデルサイズを大幅に低くして正確な異常検出を実現する。 ログ、メトリクス、トレースを含む異質なモニタリングデータを共同で分析し、異常なソフトウェア動作を特定し、時間的依存関係をキャプチャし、可観測性信号間の冗長性を低減します。 OrEdgeの中核となるOrEdgeCoreは、一時的な変動を抑制しながら、繰り返し発生する時間パターンをキャプチャする軽量の直交ドメイン再構築モジュールである。 実世界の3つのマイクロサービスデータセット(MSDS、SN、TT)で評価され、OrEdgeは、既存のメソッドの20K--143Kパラメータと比較して、再構築モデルのサイズを少なくとも9.6Kパラメータに削減しながら、競合検出性能を達成する。 Raspberry Piプラットフォームでは、OrEdgeはサブ秒の推論を実現し、既存のアプローチに比べて1桁以上の遅延を小さくする。 広範囲にわたるアブレーション研究、感度分析、直交基底評価、質的ケーススタディは、各デザインコンポーネントの有効性をさらに検証する。 全体としてOrEdgeは、直交領域の時間的モデリングが、エッジ環境におけるリアルタイムマルチモーダル異常検出のための検出精度と計算効率のバランスを良好に保ちながら、計算集約的な注目とグラフベースのアーキテクチャに効果的な代替手段を提供することを示した。 コードはhttps://github.com/theamrzaki/MicroService_Twin_Originalで公開されている。

関連論文リスト

• PaAno+: Multiscale Encoding and Cross-Variable Attention for Time Series Anomaly Detection [6.394123470044826]
  時系列異常検出は、産業と医療の監視、および他の重要な領域にとって重要な実用的価値を持つ。 本研究では,パッチ指向表現学習パラダイムにおいて,PaAnoと呼ばれる軽量かつ効率的な異常検出モデルを開発した。
  論文  参考訳（メタデータ） (2026-06-18T10:27:59Z)
• ARES: Anomaly Recognition Model For Edge Streams [15.767494189633133]
  本稿では,エッジストリームの教師なし異常検出フレームワークであるARESを紹介する。 ARESは、特徴抽出のためのグラフニューラルネットワーク(GNN)と、異常スコアのためのハーフスペースツリー(HST)を組み合わせる。 GNNは、ノードとエッジプロパティを潜在空間に埋め込むことで、ストリーム内のスパイクとバースト異常の両方の挙動をキャプチャし、一方HSTは、この空間を分割して、異常を効率的に分離する。
  論文  参考訳（メタデータ） (2025-11-27T03:56:35Z)
• Registration is a Powerful Rotation-Invariance Learner for 3D Anomaly Detection [64.0168648353038]
  ポイントクラウドデータにおける3次元異常検出は、高い信頼性で構造欠陥を特定することを目的として、産業品質管理に不可欠である。 現在のメモリバンクベースの手法は、しばしば一貫性のない特徴変換と限定的な識別能力に悩まされる。 本稿では、ポイントクラウド登録とメモリベース異常検出の目的を統合した、登録による回転不変の特徴抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-19T14:56:38Z)
• RE-POSE: Synergizing Reinforcement Learning-Based Partitioning and Offloading for Edge Object Detection [3.2805151494259563]
  エッジデバイス上でのリアルタイムオブジェクト検出は、その限られた計算リソースと、ディープニューラルネットワーク(DNN)ベースの検出モデルの高要求により、大きな課題を呈している。 本稿では,リソース制約のあるエッジ環境における精度-遅延トレードオフを最適化するフレームワークであるRE-POSEを紹介する。
  論文  参考訳（メタデータ） (2025-01-16T10:56:45Z)
• Efficient Detection Framework Adaptation for Edge Computing: A Plug-and-play Neural Network Toolbox Enabling Edge Deployment [59.61554561979589]
  エッジコンピューティングは、時間に敏感なシナリオでディープラーニングベースのオブジェクト検出をデプロイするための重要なパラダイムとして登場した。 既存のエッジ検出手法では、軽量モデルによる検出精度のバランスの難しさ、適応性の制限、現実の検証の不十分といった課題に直面している。 本稿では,汎用的なプラグイン・アンド・プレイコンポーネントを用いてエッジ環境にオブジェクト検出モデルを適用するエッジ検出ツールボックス(ED-TOOLBOX)を提案する。
  論文  参考訳（メタデータ） (2024-12-24T07:28:10Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• VARADE: a Variational-based AutoRegressive model for Anomaly Detection on the Edge [7.4646496981460855]
  本研究は,エッジ上でのリアルタイム実行に最適な変分推論に基づく軽量自己回帰フレームワークを実装した新しいソリューションを提案する。 提案手法は、パイロット生産ラインの一部であるロボットアームで検証され、最先端のアルゴリズムと比較された。
  論文  参考訳（メタデータ） (2024-09-23T08:46:15Z)
• Spatial-Temporal Graph Enhanced DETR Towards Multi-Frame 3D Object Detection [54.041049052843604]
  STEMDは,多フレーム3Dオブジェクト検出のためのDETRのようなパラダイムを改良した,新しいエンドツーエンドフレームワークである。 まず、オブジェクト間の空間的相互作用と複雑な時間的依存をモデル化するために、空間的時間的グラフアテンションネットワークを導入する。 最後に、ネットワークが正のクエリと、ベストマッチしない他の非常に類似したクエリを区別することが課題となる。
  論文  参考訳（メタデータ） (2023-07-01T13:53:14Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
  本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。 効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。 構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
  論文  参考訳（メタデータ） (2020-07-26T12:32:38Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。