論文の概要: Generalist Representation, Specialist Detection: TS-Router for Time-Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2610.00978v1
• Date: Thu, 01 Oct 2026 03:15:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.874335
• Title: Generalist Representation, Specialist Detection: TS-Router for Time-Series Anomaly Detection
• Title（参考訳）: Generalist Representation, Specialist Detection: TS-Router for Time-Series Anomaly Detection
• Abstract要約: 時系列異常検出(TSAD)はデータセット間の一般化が困難である。 TSADの汎用表現フレームワークである textbfTS-representation を提案する。
• 参考スコア（独自算出の注目度）: 43.38779042417761
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time-series anomaly detection (TSAD) is difficult to generalize across datasets because heterogeneous temporal dynamics imply different notions of normality and favor different detection criteria. While time-series foundation models provide transferable representations, coupling them with a fixed anomaly-scoring mechanism can overlook this variation. This motivates a different perspective on foundation-model-based TSAD: using foundation models to coordinate specialized anomaly criteria rather than directly imposing a universal one. Based on this view, we propose \textbf{TS-Router}, a generalist-representation, specialist-detection framework that estimates the relative competence of heterogeneous anomaly detectors from pretrained temporal representations and selects suitable specialists for each target series. To avoid relying on specialist-performance labels from real tasks, we derive soft competence supervision from specialists' relative performance on labeled simulated tasks. At deployment, routing requires no target anomaly labels, and only the selected specialists are fitted unsupervisedly on the target series. We bound Top-\(k\) set-competence regret under representation coverage and conditional competence stability. Across 16 real-world benchmarks and four complementary evaluation metrics, TS-Router achieves the best overall average rank. Controlled ablations with multiple frozen TSFM encoders further support the use of pretrained representations for competence estimation and adaptive specialist selection. The code is available at https://anonymous.4open.science/r/TS-Router-D8FF.
• Abstract（参考訳）: 時系列異常検出(TSAD)は、異種時間ダイナミクスが正規性の異なる概念を示唆し、異なる検出基準を好んでいるため、データセット間での一般化が困難である。 時系列基礎モデルは転送可能な表現を提供するが、それらを固定された異常スコア機構と結合することで、このバリエーションを見落としることができる。 これは、ファンデーションモデルに基づくTSADに対する異なる見方を動機付けている。 この観点から,事前学習した時間的表現から異種異常検出器の相対的能力を推定し,各対象系列に適したスペシャリストを選択する,一般表現・スペシャリスト検出フレームワークである \textbf{TS-Router} を提案する。 実タスクからのスペシャリスト・パフォーマンス・ラベルへの依存を避けるため,ラベル付きシミュレート・タスクにおけるスペシャリストの相対的パフォーマンスからソフト・コンピテンス・インスペクションを導出した。 配置において、ルーティングはターゲットの異常ラベルを必要とせず、選択されたスペシャリストだけがターゲットシリーズに無監督で配置される。 我々は、表現カバレッジと条件付きコンピテンス安定性の下で、Top-\(k\)セットコンピテンス後悔を束縛する。 16の実世界のベンチマークと4つの相補的な評価指標で、TS-Routerは全体の平均ランクを最高のものにしている。 複数の冷凍TSFMエンコーダによる制御された改善は、事前訓練された表現を能力推定や適応的なスペシャリスト選択に利用することを支援する。 コードはhttps://anonymous.4open.science/r/TS-Router-D8FFで公開されている。

関連論文リスト

• AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
  AnchorMoEは、解釈可能な構成別分類フレームワークである。 ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。 実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-06-02T13:30:54Z)
• From Few-Shot to Zero-Shot: Towards Generalist Graph Anomaly Detection [89.52759572485276]
  ARCは、文脈内学習を利用した数発のGAD法であり、推論時にわずかにラベル付き正規サンプルを必要とする。 ARCとARC_zeroは、異常を効果的に検出し、強力な一般化能力を示し、少数ショットおよびゼロショット設定下で効率的に実行する。
  論文  参考訳（メタデータ） (2026-02-21T10:59:00Z)
• GCR: Geometry-Consistent Routing for Task-Agnostic Continual Anomaly Detection [5.925242470217676]
  幾何整合性ルーティングによる連続的異常検出を安定化するための軽量なミックス・オブ・サーキットフレームワークを提案する。 GCRは、蓄積した最も近いプロトタイプ距離をカテゴリ固有のプロトタイプバンクに最小化し、各テスト画像を共有パッチ埋め込み空間に直接ルーティングする。 MVTec ADとVisAの実験では、幾何一貫性のあるルーティングがルーティングの安定性を大幅に改善し、連続的な性能崩壊を緩和することを示した。
  論文  参考訳（メタデータ） (2026-01-05T07:33:50Z)
• Mixture of Experts Guided by Gaussian Splatters Matters: A new Approach to Weakly-Supervised Video Anomaly Detection [7.435598538875321]
  ビデオ異常検出(VAD)は、異常事象のばらつきとラベル付きデータの限られた可用性のために難しい課題である。 本稿では,一組のエキスパートモデルを用いて,それぞれが特定の異常型をキャプチャする新しいフレームワークを提案する。 提案手法は,UCF-Crimeデータセット上で91.58%のAUCを達成し,XD-ViolenceデータセットとMSADデータセットにおいて優れた結果を示す。
  論文  参考訳（メタデータ） (2025-08-08T13:48:48Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)

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。