論文の概要: CARE: A Cascaded Framework for Efficient and Reliable Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2608.01885v1
• Date: Mon, 03 Aug 2026 08:26:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.408601
• Title: CARE: A Cascaded Framework for Efficient and Reliable Time Series Anomaly Detection
• Title（参考訳）: CARE: 効率よく信頼性の高い時系列異常検出のためのカスケードフレームワーク
• Abstract要約: 本稿では、軽量プリフィルタモデル(LPM)と既存の高容量複合検出モデル(CDM)を統合するモデル非依存推論フレームワークを提案する。 LPMは、Residual AutoEncoderとNormality-Conditioned Gatingメカニズムを用いて、高信頼の正規サンプルを迅速にフィルタリングする。 我々のフレームワークは、最も正確なSOTAアプローチと比較して、$2.7times$から$4.8times$推論スピードアップを達成する。
• 参考スコア（独自算出の注目度）: 3.3321892750881545
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While deep learning models have achieved state-of-the-art performance in time series anomaly detection, their complex architectures incur substantial inference overhead. Existing methods typically apply a uniform inference strategy across all data points, which is inefficient given that anomalies are inherently scarce and the vast majority of temporal data consists of predictable normal patterns. To mitigate this bottleneck, we propose CARE, a model-agnostic cascaded inference framework that integrates a Lightweight Pre-filter Model (LPM) with an existing high-capacity Complex Detection Model (CDM). The LPM rapidly filters high-confidence normal samples using a Residual MLP AutoEncoder and a Normality-Conditioned Gating mechanism. Crucially, we introduce a Structure Attention module to explicitly capture channel-wise anomaly contributions, and optimize the gating network via a confidence-guided selective routing objective that learns reliable routing decisions to reduce unnecessary CDM invocations. Extensive experiments across eight real-world benchmarks demonstrate that CARE effectively isolates high-confidence normal samples. By routing only uncertain samples to the CDM, our framework achieves $2.7\times$ to $4.8\times$ inference speedup compared to the most accurate SOTA approaches, while still maintaining competitive detection quality.
• Abstract（参考訳）: ディープラーニングモデルは時系列異常検出において最先端のパフォーマンスを達成したが、複雑なアーキテクチャは相当な推論オーバーヘッドを引き起こす。 既存の手法は通常、全てのデータポイントに一様推論戦略を適用するが、これは、異常が本質的に不足しており、時間的データの大部分は予測可能な通常のパターンで構成されているため、非効率である。 このボトルネックを軽減するために,軽量プリフィルタモデル (LPM) と既存の高容量複雑検出モデル (CDM) を統合したモデルに依存しない推論フレームワークであるCAREを提案する。 LPMは、Residual MLP AutoEncoderとNormality-Conditioned Gatingメカニズムを用いて、高信頼の正規サンプルを迅速にフィルタリングする。 重要なことは、チャネルワイドな異常なコントリビューションを明示的にキャプチャするためのStructure Attentionモジュールを導入し、不必要なCDM呼び出しを減らすための信頼性の高いルーティング決定を学習する信頼誘導選択的ルーティング目標を介してゲーティングネットワークを最適化する。 8つの実世界のベンチマークによる大規模な実験により、CAREは高信頼の正常サンプルを効果的に分離することを示した。 CDMに不確実なサンプルのみをルーティングすることで、我々のフレームワークは、競争力のある検出品質を維持しながら、最も正確なSOTAアプローチと比較して2.7\times$4.8\times$推論スピードアップを達成する。

関連論文リスト

• S$^3$AM: A Single-Stream SAM with Reliability-Calibrated Frequency Adapter for Multi-modal Salient Object Detection [74.15663758681849]
  シングルストリームフレームワークは、信頼性キャリブレーションされた周波数適応をMSOD用のSAMバックボーンに組み込む。 RGB-D、RGB-T、RGB-NIRの正当性オブジェクト検出ベンチマークの実験により、提案フレームワークが競合性能を達成することを確認した。
  論文  参考訳（メタデータ） (2026-08-18T08:05:00Z)
• ProtoDCS: Towards Robust and Efficient Open-Set Test-Time Adaptation for Vision-Language Models [32.840734752367275]
  Prototype-based Double-Check separation (ProtoDCS)はOSTTAの堅牢なフレームワークである。 csIDとcsOODを分離し、ビジョン言語モデルのcsIDデータへの安全かつ効率的な適応を可能にする。 ProtoDCSは、既知のクラス精度とOOD検出メトリクスの両方を大幅に向上させる。
  論文  参考訳（メタデータ） (2026-02-27T03:39:02Z)
• Self-Rewarding Sequential Monte Carlo for Masked Diffusion Language Models [58.946955321428845]
  本研究は自己回帰型モンテカルロ(SMC)を提示する。 提案アルゴリズムは,既存のMDLMのほとんどが信頼性に基づくサンプリング戦略に依存している点に起因している。 粒子重み付けのための自己回帰信号として軌道レベルの信頼性を導入する。
  論文  参考訳（メタデータ） (2026-02-02T09:21:45Z)
• Forward Consistency Learning with Gated Context Aggregation for Video Anomaly Detection [17.79982215633934]
  ビデオ異常検出(VAD)は、リアルタイム監視システムにおける各種イベントの正常パターンからの偏差を測定することを目的としている。 既存のVAD手法の多くは、リソース制限されたエッジデバイスへの実現可能性を制限するため、極端な精度を追求するために大規模なモデルに依存している。 本稿では,Gatedコンテキストアグリゲーションを用いたフォワード整合学習を実現する軽量なVADモデルFoGAを紹介する。
  論文  参考訳（メタデータ） (2026-01-26T04:35:31Z)
• A Comparative Study of Adaptation Strategies for Time Series Foundation Models in Anomaly Detection [0.0]
  時系列基礎モデル(TSFM)は、大きな異種データに基づいて事前訓練される。 我々は、ゼロショット推論、フルモデル適応、パラメータ効率の微調整戦略を比較した。 これらの結果は、TSFMをスケーラブルで効率的な時系列異常検出のための有望な汎用モデルとして位置づけている。
  論文  参考訳（メタデータ） (2026-01-01T19:11:33Z)
• Scalable, Explainable and Provably Robust Anomaly Detection with One-Step Flow Matching [14.503330877000758]
  Time-Conditioned Contraction Matching is a novel method for semi-supervised anomaly detection in tabular data。 これは、確率分布間の速度場を学習する最近の生成モデリングフレームワークであるフローマッチングにインスパイアされている。 ADBenchベンチマークの大規模な実験により、TCCMは検出精度と推論コストのバランスが良好であることが示されている。
  論文  参考訳（メタデータ） (2025-10-21T06:26:38Z)
• Source-Free Object Detection with Detection Transformer [59.33653163035064]
  Source-Free Object Detection (SFOD) は、ソースデータにアクセスすることなく、ソースドメインから教師なしのターゲットドメインへの知識転送を可能にする。 ほとんどの既存のSFODアプローチは、より高速なR-CNNのような従来のオブジェクト検出(OD)モデルに限られるか、新しいODアーキテクチャ、特に検出変換器(DETR)に適合しない一般的なソリューションとして設計されている。 本稿では,DTRのクエリ中心の機能強化を特化して設計された新しいSFODフレームワークであるFeature Reweighting ANd Contrastive Learning NetworK(FRANCK)を紹介する。
  論文  参考訳（メタデータ） (2025-10-13T07:35:04Z)
• Hierarchical Self-Supervised Representation Learning for Depression Detection from Speech [51.14752758616364]
  音声による抑うつ検出 (SDD) は、従来の臨床評価に代わる有望で非侵襲的な代替手段である。 HAREN-CTCは,マルチタスク学習フレームワーク内でのクロスアテンションを用いて,多層SSL機能を統合した新しいアーキテクチャである。 このモデルはDAIC-WOZで0.81、MODMAで0.82の最先端マクロF1スコアを達成し、両方の評価シナリオで先行手法より優れている。
  論文  参考訳（メタデータ） (2025-10-05T09:32:12Z)
• CALM: A Framework for Continuous, Adaptive, and LLM-Mediated Anomaly Detection in Time-Series Streams [0.42970700836450476]
  本稿では,リアルタイム異常検出のための新しいエンドツーエンドフレームワークであるCALMを紹介する。 CALMはApache Beam分散処理フレームワーク上に構築されている。 クローズドループで連続的な微調整機構を実装し、異常検出モデルがほぼリアルタイムで進化するデータパターンに適応できるようにする。
  論文  参考訳（メタデータ） (2025-08-29T00:27:35Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Hard-normal Example-aware Template Mutual Matching for Industrial Anomaly Detection [78.734927709231]
  異常検出器は、クエリー画像の未知の欠陥を検出し、ローカライズするために工業製造で広く使われている。 これらの検出器は異常のないサンプルで訓練され、ほとんどの通常のサンプルと区別された異常を成功させた。 しかし、ハードノーマルな例は、ほとんどの通常のサンプルから遠く離れており、しばしば既存の方法によって異常と誤認される。
  論文  参考訳（メタデータ） (2023-03-28T17:54:56Z)

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。