論文の概要: Agentic Anomaly Detection with ORCA-Style Dynamic Inductive Bias Adaptation in Multimodal Wearable Time Series Data

• arxiv url: http://arxiv.org/abs/2608.08859v1
• Date: Sun, 09 Aug 2026 18:49:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.969879
• Title: Agentic Anomaly Detection with ORCA-Style Dynamic Inductive Bias Adaptation in Multimodal Wearable Time Series Data
• Title（参考訳）: ORCA-Style Dynamic Inductive Bias Adaptation を用いたマルチモーダルウェアラブル時系列データにおけるエージェント異常検出
• Abstract要約: エージェント制御型異常検出フレームワークORCAを提案する。 カスタムのWBANデータセット全体で、ORCAは最強の固定コンテキストベースラインに匹敵するパフォーマンスを達成する。 これらの結果は,資源制約,非定常的時系列における異常検出のための実用的かつ堅牢な設計原理として,適応的時間的帰納バイアス制御を強調した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wireless Body Area Networks (WBANs) generate multivariate physiological time series that are highly nonstationary and must often be processed under strict computational and memory constraints. A critical yet underexplored challenge in this setting is selecting an appropriate temporal receptive field, which serves as a strong inductive bias for anomaly detection models. Existing approaches typically rely on fixed temporal contexts, which can perform inconsistently across heterogeneous signal regimes and require dataset-specific tuning. We propose ORCA, an agentically controlled anomaly detection framework that dynamically adapts the temporal receptive field at inference time based on lightweight signal statistics. Rather than introducing additional trainable parameters or learned policies, ORCA employs a supervisory controller that autonomously selects among discrete temporal contexts, enabling state-dependent inductive bias adaptation without retraining. Across a custom WBAN dataset, ORCA achieves performance comparable to the strongest fixed-context baselines (AUROC = 0.99) while eliminating the need to tune temporal horizons in advance. We further evaluate ORCA on MIMIC-IV as a challenging out-of-distribution benchmark, observing conservative generalization behavior without performance collapse under heterogeneous clinical conditions. These results highlight adaptive temporal inductive bias control as a practical and robust design principle for anomaly detection in resource-constrained, nonstationary physiological time series.
• Abstract（参考訳）: 無線ボディエリアネットワーク(WBAN)は、非常に非定常で、厳密な計算とメモリ制約の下で処理されなければならない多変量生理時系列を生成する。 この設定において、重要で未探索の課題は、異常検出モデルの強い帰納バイアスとなる適切な時間的受容場を選択することである。 既存のアプローチは一般に固定時間的文脈に依存しており、不均一な信号レジーム間で不整合に動作し、データセット固有のチューニングを必要とする。 提案するORCAは,光信号統計に基づく時間的受容場を動的に適応するエージェント制御型異常検出フレームワークである。 トレーニング可能なパラメータや学習ポリシを導入する代わりに、ORCAでは、個別の時間的コンテキストの中から自律的に選択する監視コントローラを採用している。 カスタムのWBANデータセット全体では、ORCAは最強の固定コンテキストベースライン(AUROC = 0.99)に匹敵するパフォーマンスを達成すると同時に、時間的地平線を事前に調整する必要もなくなる。 さらに,MIMIC-IVのORCAを,不均一な臨床条件下での性能低下を伴わない保存的一般化挙動を観察し,不均一なアウト・オブ・ディストリビューション・ベンチマークとして評価した。 これらの結果は,資源制約,非定常的時系列における異常検出のための実用的かつ堅牢な設計原理として,適応的時間的帰納バイアス制御を強調した。

関連論文リスト

• Causally-Constrained Probabilistic Forecasting for Time-Series Anomaly Detection [1.8995711908407733]
  本研究では,異常検出のための因果制約付き確率予測フレームワークを提案する。 ディープ・シークエンス・モデリングに先立って、明示的な時間付き因果グラフを統合する。 実験により,提案手法が最先端検出性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-20T09:24:28Z)
• Conditional Attribution for Root Cause Analysis in Time-Series Anomaly Detection [13.555771273974697]
  本稿では,文脈的に類似したシステム状態に対する異常を記述した条件属性フレームワークを提案する。 本手法は,異常観測を条件とした代表例を検索し,依存関係の保存と運用上の意味のある説明を可能にする。 SWaTとベンチマークの実験により、提案手法は複数の異常検出モデルにおける根本原因同定精度、時間的局所化、ロバスト性を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-04-19T21:01:52Z)
• Out of Context: Reliability in Multimodal Anomaly Detection Requires Contextual Inference [54.774686416991386]
  我々は、マルチモーダルな異常検出は、クロスモーダルな文脈推論問題として再編成されるべきであると主張している。 この観点はモデル設計、評価プロトコル、ベンチマーク構築に影響を及ぼす。
  論文  参考訳（メタデータ） (2026-04-14T19:32:55Z)
• Temporal-Conditioned Normalizing Flows for Multivariate Time Series Anomaly Detection [0.6399763005153404]
  時間条件付きフロー(tcNF)は時系列データの異常検出に対処する新しいフレームワークである。 tcNFは複雑な時間的ダイナミクスを効果的に捉え、期待される振る舞いの正確な確率を生成する。 我々は,様々なデータセット上でtcNFを評価し,既存の手法と比較して精度と堅牢性を実証した。
  論文  参考訳（メタデータ） (2026-03-10T10:49:48Z)
• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• TSINR: Capturing Temporal Continuity via Implicit Neural Representations for Time Series Anomaly Detection [22.367552254229665]
  時系列異常検出は、データの異常なパターンや、システムの期待する振る舞いからの逸脱を特定することを目的としている。 このタスクでは、教師なし学習を通じてポイントワイド表現を学習するリコンストラクションベースの手法が主流である。 本稿では,暗黙的ニューラル表現(INR)再構成に基づく時系列異常検出手法TSINRを提案する。
  論文  参考訳（メタデータ） (2024-11-18T15:19:54Z)
• Pattern-Based Time-Series Risk Scoring for Anomaly Detection and Alert Filtering -- A Predictive Maintenance Case Study [3.508168174653255]
  本稿では,逐次パターンの類似性に基づいて,異常検出と警告フィルタリングを高速かつ効率的に行う手法を提案する。 本稿では, 大規模産業システムにおける異常検出を含む様々な目的で, このアプローチをどのように活用するかを示す。
  論文  参考訳（メタデータ） (2024-05-24T20:27:45Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy [68.86835407617778]
  Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。 Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-10-06T10:33:55Z)
• Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
  ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。 本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:48:02Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。