論文の概要: In a Streaming World, Should You Stand Still? A Comprehensive Benchmark of Anomaly Detection in Streams
- arxiv url: http://arxiv.org/abs/2609.39215v1
- Date: Wed, 30 Sep 2026 07:56:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:27.412043
- Title: In a Streaming World, Should You Stand Still? A Comprehensive Benchmark of Anomaly Detection in Streams
- Title（参考訳）: ストリーミングの世界では、まだ立ち続けるべきか? ストリーム中の異常検出の総合的ベンチマーク
- Abstract要約: 時系列異常検出(TSAD)は、データが順次到着し、非定常性を示すようなストリーミング設定にますますデプロイされている。
ストリーミング評価ベンチマークにおいて,ストリーミング法と静的TSAD法を比較した大規模な実験を行った。
以上の結果から,静的TSAD法は,一般的な仮定とは対照的に,ほとんどのストリーミング環境においてストリーミング手法よりも有意に優れていた。
- 参考スコア（独自算出の注目度）: 2.8221337927464547
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Time series anomaly detection (TSAD) is increasingly deployed in streaming settings, where data arrive sequentially and may exhibit non-stationarity. As a result, several works from the recent literature propose streaming anomaly detection methods that rely on incremental updates to adapt over time. However, most of these approaches originate from the streaming outlier detection literature and largely ignore core characteristics of time series anomalies. Moreover, their empirical evaluation is typically conducted on synthetic or small-scale benchmarks with limited diversity, making it unclear whether streaming methods are truly advantageous in realistic TSAD scenarios. In this work, we carry out the first large-scale experimental study comparing streaming and static TSAD methods under a unified streaming evaluation benchmark. We consider a realistic setting in which an initial batch of data is available for model training, followed by online evaluation of both detection accuracy and computational efficiency. In addition, we propose a distribution-drift dataset of real time series, called TSB- drift, to isolate scenarios where streaming updates are theoretically justified. Our results show that, contrary to common assumptions, static TSAD methods significantly outperform streaming approaches in most streaming settings. Such finding highlights a critical gap between the design of existing streaming methods and the requirements of modern TSAD, and calls for a rethinking of how streaming capabilities should be integrated into TSAD.
- Abstract（参考訳）: 時系列異常検出(TSAD)は、データが順次到着し、非定常性を示すようなストリーミング設定にますます展開されている。
その結果、近年の文献では、時間とともに適応するために漸進的な更新に依存するストリーミング異常検出手法が提案されている。
しかし、これらのアプローチのほとんどは、ストリーム・アウトラヤ検出の文献から生まれており、時系列異常のコア特性をほとんど無視している。
さらに、それらの実験的な評価は、典型的には、限られた多様性を持つ合成または小規模のベンチマークで行われ、ストリーミング手法が現実的なTSADシナリオにおいて真に有利であるかどうかがはっきりしない。
本研究では,ストリーミング評価ベンチマークにおいて,ストリーミング法と静的TSAD法を比較した大規模な実験を行った。
モデルトレーニングにおいて,初期データのバッチが利用可能となる現実的な設定について検討し,その上で,検出精度と計算効率の両面をオンライン評価する。
さらに,ストリーミング更新が理論的に正当化されるシナリオを分離するために,TSBドリフトと呼ばれるリアルタイムシリーズの分散ドリフトデータセットを提案する。
以上の結果から,静的TSAD法は,一般的な仮定とは対照的に,ほとんどのストリーミング環境においてストリーミング手法よりも有意に優れていた。
このような発見は、既存のストリーミングメソッドの設計と現代的なTSADの要件の間に重要なギャップを浮き彫りにし、ストリーミング機能をTSADに統合する方法を再考することを求めている。
関連論文リスト
- What Streaming Anomaly Detection Finds (and Misses) in Industrial Time Series [2.9903776166764984]
我々は、実際の原子力発電所のデータセット上にオンラインにデプロイされた最先端のTSADモデルとストリーミング手法を比較した。
その結果、オンラインTSADの一貫性が向上し、アンサンブル戦略による堅牢性が向上した。
論文 参考訳（メタデータ） (2026-09-30T08:04:26Z) - Streaming Real-Time Trajectory Prediction Using Endpoint-Aware Modeling [54.94692733670454]
近隣の交通機関の将来の軌道は、自動運転車の経路計画と意思決定に大きな影響を与えている。
本稿では,軽量かつ高精度なストリーミングベース軌道予測手法を提案する。
当社のアプローチは推論遅延を大幅に低減し、現実のデプロイメントに適しています。
論文 参考訳（メタデータ） (2026-03-02T13:44:23Z) - Accelerated Sequential Flow Matching: A Bayesian Filtering Perspective [16.29333060724397]
本稿では,ベイズフィルタを基盤とした逐次フローマッチングについて紹介する。
ストリーミング推論を,あるステップから次のステップへ予測分布を伝達する確率フローの学習として扱うことにより,ベイズ的信念更新の構造と自然に一致させる。
本手法は, サンプリングステップを1回, ごく少数必要としながら, フルステップ拡散と性能を競合させ, サンプリングを高速化する。
論文 参考訳（メタデータ） (2026-02-05T05:37:14Z) - Steering Vision-Language-Action Models as Anti-Exploration: A Test-Time Scaling Approach [78.4812458793128]
動作チャンクの高忠実度検証に軽量な擬数推定器を適用したテスト時間スケーリングフレームワークである textbfTACO を提案する。
我々の手法は、オフライン強化学習(RL)における古典的な反探索原理に似ており、勾配のないため、計算上の大きな恩恵をもたらす。
論文 参考訳（メタデータ） (2025-12-02T14:42:54Z) - 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) - 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) - ODEStream: A Buffer-Free Online Learning Framework with ODE-based Adaptor for Streaming Time Series Forecasting [11.261457967759688]
ODEStreamはバッファフリーの連続的な学習フレームワークで、データ内の時間的依存関係をキャプチャするための時間的分離レイヤを備えている。
連続したデータ表現を生成し、データストリーミングシナリオにおける動的変更へのシームレスな適応を可能にする。
我々のアプローチは、過去のデータの動的および分布が時間とともにどのように変化するかを学ぶことに集中し、ストリーミングシーケンスの直接処理を容易にする。
論文 参考訳（メタデータ） (2024-11-11T22:36:33Z) - Real-time Object Detection for Streaming Perception [84.2559631820007]
ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。
ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。
提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
論文 参考訳（メタデータ） (2022-03-23T11:33:27Z) - Towards Streaming Perception [70.68520310095155]
本稿では、リアルタイムオンライン知覚のための単一のメトリクスにレイテンシと精度を協調的に統合するアプローチを提案する。
この指標の背後にある重要な洞察は、瞬間ごとに認識スタック全体の出力を共同で評価することである。
本稿では,都市ビデオストリームにおけるオブジェクト検出とインスタンスセグメンテーションの具体的タスクに注目し,高品質で時間依存的なアノテーションを備えた新しいデータセットを寄贈する。
論文 参考訳（メタデータ） (2020-05-21T01:51:35Z)
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。