論文の概要: Have an LLM Write Your Anomaly Detector: Autonomous Discovery of Compact, Interpretable Detectors for Time Series
- arxiv url: http://arxiv.org/abs/2610.01223v1
- Date: Thu, 01 Oct 2026 07:26:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:23.965667
- Title: Have an LLM Write Your Anomaly Detector: Autonomous Discovery of Compact, Interpretable Detectors for Time Series
- Title（参考訳）: LLM Write Your Anomaly Detector: 時系列のためのコンパクトで解釈可能な検出器の自律的発見
- Abstract要約: 時系列異常検出は予測精度、計算効率、解釈可能性とトレードオフする。
我々は大規模な言語モデルを検出器としてではなく,1つの著者として,モデルが1つの短いNumPyプログラムを繰り返す自律的な研究ループとして使用する。
- 参考スコア（独自算出の注目度）: 1.0152838128195467
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Time-series anomaly detection trades off predictive accuracy, computational efficiency, and interpretability. We use a large language model not as the detector but as the author of one: an autonomous research loop in which the model repeatedly edits a single short NumPy program under a leakage-free objective, keeping the best-scoring detector it finds. The loop discovers two compact detectors, one for univariate and one for multivariate series, that describe short windows by their local spectral features and compare them with the training-region distribution through a covariance-aware distance. On the TSB-AD benchmark these detectors lead the field across metrics, ahead of the strongest classical, deep, and foundation-model baselines including Time-RCD, yet they train no network and use no GPU, and the multivariate detector is faster than every similarly performing baseline. LLM-driven program search is thus a practical route to accurate, efficient, and transparent detectors.
- Abstract（参考訳）: 時系列異常検出は予測精度、計算効率、解釈可能性とトレードオフする。
我々は、大規模な言語モデルを検出器としてではなく、著者として、単一の短いNumPyプログラムをリークフリーの目的の下で繰り返し編集し、最も優れた検査器を見つけるための自律的な研究ループを作成した。
このループは2つのコンパクト検出器を発見し、1つは単変量級数、もう1つは多変量級数で、局所的なスペクトル特徴によって短い窓を記述する。
TSB-ADベンチマークでは、これらの検出器は、Time-RCDを含む最強の古典的、ディープ、ファンデーションモデルベースラインよりも先に、メトリクスの領域をリードするが、ネットワークをトレーニングせず、GPUを使用しない。
したがって、LCM駆動のプログラム探索は、正確で効率的で透明な検出器への実用的な経路である。
関連論文リスト
- An Exact Polynomial Task-Risk Bridge for Time-Multiplexed Photonic Quantum Reservoirs [12.622865422006848]
時間多重化(TDM)フォトニック貯水池は通常、いくつかのデータセットのスコアによって判断される。
3つのステップで、タスクから予測リスクへの正確なブリッジを導出します。
論文 参考訳（メタデータ） (2026-09-28T14:16:50Z) - Detecting the Machine: A Comprehensive Benchmark of AI-Generated Text Detectors Across Architectures, Domains, and Adversarial Conditions [0.0]
既存のベンチマークでは、理想的な条件下で単一のデータセット上の1つの検出器を評価する。
本稿では,2つのコーパスにまたがる多様な検出手法を評価するベンチマークを提案する。
その結果, 変圧器モデルでは, ほぼ完全な分散性能が得られるが, ドメインシフト下では劣化することがわかった。
論文 参考訳（メタデータ） (2026-03-18T09:27:27Z) - DetectAnyLLM: Towards Generalizable and Robust Detection of Machine-Generated Text Across Domains and Models [60.713908578319256]
タスク指向の知識で検出器を最適化するために,DDL(Direct Discrepancy Learning)を提案する。
そこで本研究では,最新のMGTD性能を実現する統合検出フレームワークであるTectAnyLLMを紹介する。
MIRAGEは5つのテキストドメインにまたがる10のコーパスから人書きテキストをサンプリングし、17個の最先端のLLMを使用して再生成または修正する。
論文 参考訳（メタデータ） (2025-09-15T10:59:57Z) - $\texttt{Droid}$: A Resource Suite for AI-Generated Code Detection [75.6327970381944]
$textbf$textttDroidCollection$$は、機械生成コード検出器のトレーニングと評価のためのオープンデータスイートである。
これには100万以上のコードサンプル、7つのプログラミング言語、43のコーディングモデルからの出力、3つの実世界のコーディングドメインが含まれている。
また、$textttDroidCollection$$でマルチタスクでトレーニングされたエンコーダのみの検出器も開発しています。
論文 参考訳（メタデータ） (2025-07-11T12:19:06Z) - Learning to Make Keypoints Sub-Pixel Accurate [80.55676599677824]
本研究は,2次元局所特徴の検出におけるサブピクセル精度の課題に対処する。
本稿では,検出された特徴に対するオフセットベクトルを学習することにより,サブピクセル精度で検出器を拡張できる新しいネットワークを提案する。
論文 参考訳（メタデータ） (2024-07-16T12:39:56Z) - OVLW-DETR: Open-Vocabulary Light-Weighted Detection Transformer [63.141027246418]
本稿では,OVLW-DETR(Open-Vocabulary Light-Weighted Detection Transformer)を提案する。
本稿では,視覚言語モデル(VLM)からオブジェクト検出器への知識伝達を簡易なアライメントで行うエンド・ツー・エンドのトレーニングレシピを提案する。
実験により,提案手法は標準ゼロショットLVISベンチマークにおいて,既存の実時間開語彙検出器よりも優れていることが示された。
論文 参考訳（メタデータ） (2024-07-15T12:15:27Z) - RoLA: A Real-Time Online Lightweight Anomaly Detection System for
Multivariate Time Series [0.0]
RoLAは、マルチ変数時系列のリアルタイムオンライン軽量異常検知システムである。
分割・分散戦略、並列処理、および多数ルールに基づいて、RoLAは多数ルールに基づいた異常をリアルタイムに検出する。
論文 参考訳（メタデータ） (2023-05-25T22:32:45Z) - Hubbard-Stratonovich Detector for Simple Trainable MIMO Signal Detection [7.969977930633441]
深部展開(DU)は顕著な検出性能を有する。
提案した検出器はハバード-ストラットノビッチ (HS) 変換に基づいており、DUはトレーニング可能なHS検出器 (THS) と呼ばれる。
トレーニング可能なパラメータは$O(1)$で、トレーニングと実行のコストは1イテレーションあたり$O(n2)$である。
論文 参考訳（メタデータ） (2023-02-09T06:51:25Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳（メタデータ） (2022-09-23T06:09:35Z) - From One to Many: A Deep Learning Coincident Gravitational-Wave Search [58.720142291102135]
単一検出器からの非スピン型二元ブラックホールデータに基づいてトレーニングされたニューラルネットワークを用いて、二元ブラックホールの融合から重力波を2検出器で探索する。
これらの単純な2検出器ネットワークはいずれも、検出器のデータに個別にネットワークを適用するよりも感度を向上させることができない。
論文 参考訳（メタデータ） (2021-08-24T13:25:02Z)
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。