論文の概要: TSGuard: A Real-Time Framework for Detecting and Imputing Missing Data in Streaming Time Series

• arxiv url: http://arxiv.org/abs/2610.03147v1
• Date: Fri, 02 Oct 2026 11:18:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.340778
• Title: TSGuard: A Real-Time Framework for Detecting and Imputing Missing Data in Streaming Time Series
• Title（参考訳）: TSGuard: ストリーミング時系列におけるミスデータの検出と警告のためのリアルタイムフレームワーク
• Abstract要約: TSGuardは、ストリーミング時系列の欠落した値を監視、検証、計算するためのリアルタイムなデモシステムである。 インプットを独立した予測タスクとして扱うのではなく、TSGuardはより広範なデータ品質ループに統合する。 デモでは、遅延センサーを検査し、インプタを比較し、制約を定義し、リアルタイムで値を検証することができる。
• 参考スコア（独自算出の注目度）: 2.3969811694236123
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Streaming sensor applications routinely suffer from delayed or missing observations caused by faults, communication losses, or environmental interference. Although recent imputation methods exploit temporal and spatial dependencies effectively, most either assume offline access to future observations or prioritize throughput without enforcing domain plausibility. We present TSGuard, a real-time demonstration system for monitoring, validating, and imputing missing values in streaming time series. TSGuard combines a lightweight graph-aware temporal imputation model with constraint-aware validation, fallback estimation, and operator-facing explanations. Rather than treating imputation as an isolated prediction task, TSGuard integrates it into a broader data-quality loop: detect problematic observations, impute missing values, validate estimated against physical and spatial constraints, and either retain the original value as a plausible anomaly or replace it when it violates domain constraints. Using environmental sensing as a motivating setting, the demo enables users to inspect delayed sensors, compare imputers, define constraints, and validate flagged values in real time. The combination of lightweight online spatiotemporal imputation, domain-aware validation, and explicit retain-or-replace decisions is our central contribution, while interactive explanations make these decisions inspectable and actionable. for operators.
• Abstract（参考訳）: ストリーミングセンサーアプリケーションは、障害、通信損失、環境干渉による遅延または欠落の観察にいつも苦しむ。 最近の計算手法は時間的および空間的依存関係を効果的に活用するが、ほとんどの場合、将来の観測へのオフラインアクセスを前提とするか、ドメインの妥当性を強制せずにスループットを優先する。 本稿では,ストリーミング時系列における欠落値の監視,検証,計算を行うリアルタイム実演システムTSGuardを提案する。 TSGuardは、軽量なグラフ対応時間計算モデルと制約対応検証、フォールバック推定、演算子対応の説明を組み合わせる。 TSGuardは、インプットを独立した予測タスクとして扱うのではなく、より広範なデータ品質ループに統合する: 問題のある観察を検出し、欠落した値をインプットし、物理的および空間的制約に対して推定された値を検証する。 環境センサをモチベーション設定として使用することで、遅延センサーを検査したり、インプタを比較したり、制約を定義したり、フラグ付き値をリアルタイムで検証することができる。 軽量なオンライン時空間計算、ドメイン認識の検証、明示的な保持または置換決定の組み合わせは、私たちの中心的な貢献であり、インタラクティブな説明はこれらの決定を検査し、実行可能にする。 オペレーターのために

関連論文リスト

• On Unlearning for Time-series Forecasting [22.551344944210854]
  本稿では,時系列アンラーニングのためのResidual DiffusionフレームワークRDTUを提案する。 RDTUは一貫して、正確なリトレーニングに最も近い未学習のモデルを生産している。
  論文  参考訳（メタデータ） (2026-10-02T06:03:44Z)
• Out of Sync, Out of Sight: Phantom State Attacks against IIoT Intrusion Detection [1.669532546126409]
  機械学習に基づく侵入検知システムは、産業用IoT(Internet of Things)環境の確保に不可欠である。 我々は、パッシブ・ゼロ・クエリ・脅威モデルの下で依存を利用するPhantom State Attack (PSA)を導入する。 ToN-IoTとCIC IIoT 2025(DataSense)のPSAをランダムフォレストとXGBoostに対して評価し,検出劣化,同期歪み,盗み,攻撃コストを測定した。
  論文  参考訳（メタデータ） (2026-10-01T22:36:34Z)
• Autonomous Cyber Defense: Real-Time Attack Detection and Mitigation in Software-Defined Networks Using Machine Learning [78.29352305480285]
  最近の侵入では、最初のアクセスと最初の横移動の間の間隔は27秒と短いことが観察されている。 本稿では,ソフトウェア定義ネットワークにおける攻撃をオペレーターの関与なしに検出・ブロックするクローズドループフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-22T18:38:39Z)
• TimeLAVA: Learning-Agnostic Data Valuation for Time Series [48.76711740818533]
  TimeLAVAは、評価データと参照データの間の分布差を最小限に抑えるために、時間セグメントを限界貢献によって評価する学習非依存のフレームワークである。 モデルに依存しない一般化にバリュエーションをリンクする理論的保証を提供し、汚染に対する有界感度を証明する。
  論文  参考訳（メタデータ） (2026-06-17T06:16:16Z)
• Monitoring Data-aware Temporal Properties (Extended Version) [56.386411908764494]
  有限トレース上の任意のSMT理論に富む線形時間特性の予測モニタリングについて考察する。 この設定での予測モニタリングは非常に困難であり、監視状態はこれまでのトレースプレフィックスと可能な有限継続の両方に依存している。 本研究は,表現的フラグメントオフMTにおける特性モニタリングのための新しい基礎的枠組みの正しさを提示し,正式に証明するものである。
  論文  参考訳（メタデータ） (2026-05-14T10:23:11Z)
• Explainable Anomaly Detection for Industrial IoT Data Streams [1.2722697496405462]
  産業のメンテナンスはモノのインターネットとエッジコンピューティングによって変化している。 本稿では,教師なし異常検出と対話型・人間-イン-ザ-ループ学習を統合し,メンテナンス決定を支援するフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-09T18:20:35Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Bandit Quickest Changepoint Detection [55.855465482260165]
  すべてのセンサの継続的な監視は、リソースの制約のためにコストがかかる可能性がある。 有限パラメータ化確率分布の一般クラスに対する検出遅延に基づく情報理論の下界を導出する。 本稿では,異なる検知オプションの探索と質問行動の活用をシームレスに両立させる,計算効率のよいオンラインセンシング手法を提案する。
  論文  参考訳（メタデータ） (2021-07-22T07:25:35Z)
• Per-frame mAP Prediction for Continuous Performance Monitoring of Object Detection During Deployment [6.166295570030645]
  本稿では,デプロイメント中のパフォーマンスモニタリングに対するイントロスペクションアプローチを提案する。 フレーム当たりの平均精度がクリティカルしきい値以下になると予測する。 我々は,誤った判断を下すことによってリスクを低減する手法の能力を定量的に評価し,実証する。
  論文  参考訳（メタデータ） (2020-09-18T06:37:52Z)
• RePAD: Real-time Proactive Anomaly Detection for Time Series [0.27528170226206433]
  RePADはLong Short-Term Memory (LSTM)に基づくストリーミング時系列のリアルタイム能動異常検出アルゴリズムである 検出しきい値を時間とともに動的に調整することにより、RePADは時系列におけるマイナーパターンの変更を許容し、前向きまたは時間的に異常を検出することができる。
  論文  参考訳（メタデータ） (2020-01-24T09:13:33Z)

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。