Fugu-MT 論文翻訳(概要): Structure-Aware Unsupervised Anomaly Detection for Spacecraft Telemetry with Adaptive EVT Thresholding

論文の概要: Structure-Aware Unsupervised Anomaly Detection for Spacecraft Telemetry with Adaptive EVT Thresholding

arxiv url: http://arxiv.org/abs/2609.10017v1
Date: Wed, 09 Sep 2026 10:48:43 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-10 19:44:08.994425
Title: Structure-Aware Unsupervised Anomaly Detection for Spacecraft Telemetry with Adaptive EVT Thresholding
Title（参考訳）: Adaptive EVT Thresholdingを用いた宇宙機テレメトリの構造認識型無監督異常検出
Abstract要約: 宇宙船テレメトリーにおける運用上の異常検出は、通常、ラベル付き歴史的異常または長期のウォームアップ期間を必要とする。我々は,ラベルや事前の障害知識,ミッション固有のチューニングを使わずに,運用2ヶ月から予測を生成する,教師なしのデプロイメント対応フレームワークを提案する。
参考スコア（独自算出の注目度）: 2.534247736024776
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Operational anomaly detection in spacecraft telemetry typically requires labeled historical anomalies or extended warm-up periods. These requirements are rarely met in practice. We propose an unsupervised, deployment-ready framework that produces predictions from the second month of operation without any labels, prior fault knowledge, or mission-specific tuning. The approach combines incremental monthly retraining, statistical model selection, and adaptive Extreme Value Theory (EVT) thresholding for false alarm control. On the ESA Anomalies Dataset (ESA-AD), it achieves $F_{0.5}=0.700$ on Mission~1 and $F_{0.5}=0.698$ on Mission~2 under strict chronological evaluation.
Abstract（参考訳）: 宇宙船テレメトリーにおける運用上の異常検出は、通常、ラベル付き歴史的異常や長期のウォームアップ期間を必要とする。これらの要件は実際に満たされることはめったにない。我々は,ラベルや事前の障害知識,ミッション固有のチューニングを使わずに,運用2ヶ月から予測を生成する,教師なしのデプロイメント対応フレームワークを提案する。このアプローチは、毎月のトレーニング、統計モデルの選択、および偽アラーム制御のための適応的極値理論(EVT)のしきい値の組み合わせである。 ESA異常データセット(ESA-AD)では、ミッション~1で$F_{0.5}=0.700$、ミッション~2で$F_{0.5}=0.698$を達成する。

関連論文リスト

Do Time-Series Foundation Models Pay Off for Industrial Monitoring? A Cost-Aware Empirical Study [1.8419890068150178]
時系列基礎モデル(TSFM)は再利用可能な表現とゼロショット予測を約束する。本研究は,3つの設定にまたがってプロトコルを考慮した経験的評価を示す。
論文参考訳（メタデータ） (2026-08-24T08:30:06Z)
Can AI Agents Simulate A/B Test Outcomes? A Validation Framework for Agentic Experimentation [1.4180331276028662]
A/Bテストは、テクノロジ業界における新機能の標準であり続けている。 AIエージェントは、行動プロファイルと介入のコンテキスト記述に基づいて、--- 実際のトラフィックをコミットする前に、候補者の処置を精査するのに十分な結果をシミュレートできますか? 我々は,この問題をEmphSimulated Randomized Controlled Trial (S-RCT) として定式化し,エージェント近似誤差をサブサンプリング誤差から分離する2層誤差分解を導出する。
論文参考訳（メタデータ） (2026-08-03T14:58:06Z)
Time-Series Anomaly Classification for Launch Vehicle Propulsion Systems: Fast Statistical Detectors Enhancing LSTM Accuracy and Data Quality [0.0]
本稿では,マハラノビス距離と前方後方検出率に基づいて,教師付きトレーニングラベルの調整を行う新しい統計検出器を提案する。実験1回あたり20.8分間の運転時間とO(108)の訓練時間を有する地上段推進システムのディジタルツインシミュレーションについて実験を行った。
論文参考訳（メタデータ） (2026-01-07T23:43:27Z)
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)
Forecast2Anomaly (F2A): Adapting Multivariate Time Series Foundation Models for Anomaly Prediction [4.113311437158182]
Forecast2Anomaly (F2A) は, TSFMに異常予測能力を付与する新しいフレームワークである。まず,TSFMを微調整し,異常点においても将来信号の正確な予測を行う共同予測・異常損失を提案する。第2に、歴史的に関連する地平線と条件予測を検索するRAG(Retrieval-Augmented Generation)モジュールを導入する。
論文参考訳（メタデータ） (2025-11-05T03:13:26Z)
DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
論文参考訳（メタデータ） (2025-10-28T16:09:59Z)
Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
現実の時系列では欠落値が一般的である。現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
論文参考訳（メタデータ） (2025-09-27T20:57:48Z)
LARA: A Light and Anti-overfitting Retraining Approach for Unsupervised Time Series Anomaly Detection [49.52429991848581]
深部変分自動エンコーダに基づく時系列異常検出手法(VAE)のための光・反オーバーフィット学習手法(LARA)を提案する。本研究の目的は,1) 再学習過程を凸問題として定式化し, 過度に収束できること,2) 履歴データを保存せずに活用するルミネートブロックを設計すること,3) 潜在ベクトルと再構成データの微調整を行うと, 線形形成が基底真実と微調整されたブロックとの誤りを最小に調整できることを数学的に証明することである。
論文参考訳（メタデータ） (2023-10-09T12:36:16Z)
Industrial Anomaly Detection and Localization Using Weakly-Supervised Residual Transformers [44.344548601242444]
Weakly-supervised RESidual Transformer (WeakREST) という新しいフレームワークを導入し,高い異常検出精度を実現する。画素単位の異常局所化タスクをブロック単位の分類問題に再構成する。弱いラベルと残差に基づく表現との相互作用を処理できるResMixMatchアルゴリズムを開発した。
論文参考訳（メタデータ） (2023-06-06T08:19:30Z)
Anomalous NO2 emitting ship detection with TROPOMI satellite data and machine learning [0.08602553195689512]
2021年からは、北海とバルト海で活動する船舶に対して、より要求の高い$textNO_text2$の排出制限が導入された。本研究では,TROPOMI衛星データに基づく機械学習モデルの組み合わせを用いて,潜在的に適合しない船舶の自動選択手法を提案する。
論文参考訳（メタデータ） (2023-02-24T16:54:47Z)
Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
論文参考訳（メタデータ） (2022-11-16T21:31:39Z)
DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文参考訳（メタデータ） (2021-09-08T14:07:55Z)

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。