論文の概要: LLM-Generated Feature Pools for Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2609.21801v1
• Date: Fri, 18 Sep 2026 14:14:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.137672
• Title: LLM-Generated Feature Pools for Time Series Anomaly Detection
• Title（参考訳）: 時系列異常検出のためのLCM生成機能プール
• Abstract要約: 厳密な選択プロトコルの下で, 単変量時系列異常検出において, 単純な統計パイプラインがどこまで到達できるかを検討する。 この方法は、スライディングウィンドウ上の統計の小さなプールを抽出し、トランスダクティブ・ロバスト(MAD)モデルで各ウィンドウをスコアし、ホールドアウトチューニングスプリット上で、ドメインごとの機能サブセットを選択する。 TSB-AD-Uでは、1シリーズあたり0.529ドル、VUS-PRで最高の神経(0.45ドル)と統計(0.44ドル)のエントリーを上回ります。
• 参考スコア（独自算出の注目度）: 6.480286633056269
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study how far a simple statistical pipeline can go on univariate time series anomaly detection under a strict selection protocol. The method extracts a small pool of statistics over sliding windows, scores each window with a transductive robust (MAD) model, and selects a feature subset per domain on a held-out tuning split. On TSB-AD-U it reaches $0.529$ per-series VUS-PR, above the best neural ($0.45$) and statistical ($0.44$) entries on the public leaderboard and within $0.06$ of the strongest pretrained foundation model, several of which use more supervision than ours. Ablations locate the cause: across three selection strategies and a hindsight oracle the score moves by $0.031$, and across the aggregation grid by $0.096$, while changing the candidate pool moves it by $0.226$. The candidate pool sets the ceiling; the search over it is second-order. We therefore generate a pool per domain by prompting a multimodal LLM with in-context example windows from that domain. The generated pools match the hand-crafted one under matched selection, and the two cover different domains: selecting over their union improves on the generated pool in all twelve generator-seed pairs and lifts the pipeline to $0.588$, matching the performance of the best entry on the leaderboard.
• Abstract（参考訳）: 厳密な選択プロトコルの下で, 単変量時系列異常検出において, 単純な統計パイプラインがどこまで到達できるかを検討する。 この方法は、スライディングウィンドウ上の統計の小さなプールを抽出し、トランスダクティブ・ロバスト(MAD)モデルで各ウィンドウをスコアし、ホールドアウトチューニングスプリット上で、ドメインごとの機能サブセットを選択する。 TSB-AD-Uでは、1シリーズあたり0.529ドルに達し、最も優れたニューラル(0.45ドル)と統計的な(0.44ドル)のエントリーより高い。 3つの選択戦略と1つの後見のオラクルでスコアは0.031ドル、アグリゲーショングリッドでは0.096ドル、候補プールでは0.226ドル。 候補プールは天井を設定し、その上の探索は2階である。 したがって、ドメインごとのプールを生成し、そのドメインからコンテキスト内サンプルウィンドウを持つマルチモーダル LLM をプロンプトする。 生成したプールは、マッチした選択の下で手作りのプールと一致し、これら2つのドメインは異なるドメインをカバーしている。

関連論文リスト

• Entropy-Gated Latent Recursion [9.65821666936513]
  インタイムスケーリングは言語モデル推論を改善する主要なレバーとなっている。 既存の方法は、単一ソースからロールアウトの多様性を導き出す:トークンレベルのサンプリング。 この単軸サンプリング空間は基本的に制限されている。 L$軸は真に温度と相補的であることを示す。
  論文  参考訳（メタデータ） (2026-06-15T12:14:01Z)
• FLOWREADER: Min-Cost Flow Optimization for Multi-Modal Long Document Q&A [6.071121358322323]
  本稿では,マルチモーダルノードグラフ上で,エビデンスアセンブリをミニコストフロー問題として再設計するFLOWREADERを紹介する。 最適流れは候補エビデンスパスに分解され、コンパクトな非冗長部分集合はエントロピー規則化された複製子ダイナミクスによって選択される。 FLOWREADERはPaperTabとSlideVQAが支配する2つのサブセットで最良である。
  論文  参考訳（メタデータ） (2026-06-05T13:05:00Z)
• From Instance Selection to Fixed-Pool Data Recipe Search for Supervised Fine-Tuning [19.659110958894335]
  Supervised Fine-tuning (SFT) データ選択は、一般的にインスタンスランキングとして定式化される。 効果的なSFTトレーニングサブセットは、しばしば順序づけられたキュレーションレシピによって生成される。 キャッシュされたタスク、データ、モデル側信号に基づいて、固定プールの実体化を分離する2層解法であるAutoSelectionを導入する。
  論文  参考訳（メタデータ） (2026-05-13T03:27:21Z)
• Large Language Models as Optimization Controllers: Adaptive Continuation for SIMP Topology Optimization [4.365822392824561]
  本稿では,SIMP最適化のためのオンラインコントローラとして,大規模言語モデルが機能するフレームワークを提案する。 ハードグレーネスゲートは未熟なバイナライゼーションを防止し、メタ最適化ループは第2パスを使用してエージェントの呼び出し周波数を調整する。 エージェントはすべてのベンチマークの最終的なコンプライアンスを達成する:$5.7%$から$-1%、すべてのソリューションが完全にバイナリである。
  論文  参考訳（メタデータ） (2026-03-26T07:14:31Z)
• $V_1$: Unifying Generation and Self-Verification for Parallel Reasoners [69.66089681814013]
  $V_$は、効率的なペアワイドランキングを通じて生成と検証を統合するフレームワークである。 V_$-Inferはポイントワイド検証でPass@1を最大10%改善する。 V_$-PairRLは、標準のRLとポイントワイドのジョイントトレーニングよりも、テストタイムのスケーリングが7ドル--9%で向上する。
  論文  参考訳（メタデータ） (2026-03-04T17:22:16Z)
• Stochastic Approximation Approaches to Group Distributionally Robust Optimization and Beyond [89.72693227960274]
  本稿では,グループ分散ロバスト最適化 (GDRO) を,$m$以上の異なる分布をうまく処理するモデルを学習する目的で検討する。 各ラウンドのサンプル数を$m$から1に抑えるため、GDROを2人でプレイするゲームとして、一方のプレイヤーが実行し、他方のプレイヤーが非公開のマルチアームバンディットのオンラインアルゴリズムを実行する。 第2のシナリオでは、最大リスクではなく、平均的最上位k$リスクを最適化し、分散の影響を軽減することを提案する。
  論文  参考訳（メタデータ） (2023-02-18T09:24:15Z)
• AdaPool: Exponential Adaptive Pooling for Information-Retaining Downsampling [82.08631594071656]
  畳み込み層は畳み込みニューラルネットワーク(CNN)の重要な構成要素である 適応的で指数関数的に重み付けされたアダプール法を提案する。 adaPoolは画像やビデオの分類やオブジェクト検出など,さまざまなタスクを通じて,ディテールの保存性の向上を実証する。
  論文  参考訳（メタデータ） (2021-11-01T08:50:37Z)

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。