論文の概要: OneShot: Label-Efficient Detector Weighting for Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2610.16219v1
• Date: Mon, 12 Oct 2026 05:49:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.314482
• Title: OneShot: Label-Efficient Detector Weighting for Time Series Anomaly Detection
• Title（参考訳）: OneShot: 時系列異常検出のためのラベル効率の良い検出器重み付け
• Abstract要約: 時系列異常検出(TS)は普遍検出器を欠いている。 既存の方法は、各シリーズの1つの検出器を選択するか、平均的なプールを選択する。 本稿では,1つの検出器を選択するのではなく,1つの確認された異常を用いてプールを重み付けするONESHOTを提案する。
• 参考スコア（独自算出の注目度）: 13.359564942661251
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Time series (TS) anomaly detection (AD) lacks a universal detector, with the best choice determined by the series rather than by the algorithm. Existing methods therefore either select one detector for each series or average a pool of them. However, both assume that no label ever arrives, while a deployed monitor does receive them, since an operator confirms the alarms it raises. In this paper, we propose ONESHOT, which uses a single confirmed anomaly to weight the pool rather than to choose one detector from it. Specifically, we score each detector on the confirmed anomaly, and those scores become the weights of a soft mixture over the whole pool. We show that a single confirmed anomaly is enough to come close to the best detector for the series. Across 152 univariate and 73 multivariate series, ONESHOT outperforms the strongest single detector, averaging the whole pool, and even picking the best detector on the confirmed event. Code is available at: https://github.com/seunghan96/one_shot.
• Abstract（参考訳）: 時系列異常検出(TS: Time series anomaly detection、AD)は、アルゴリズムによってではなく、時系列によって決定される最良の選択である普遍的な検出器を欠いている。 したがって、既存の方法では、各系列の1つの検出器を選択するか、平均的なプールを選択するかのいずれかである。 しかし、どちらもラベルが届かないと仮定し、デプロイされたモニターがそれを受信する。 本稿では,1つの検知器を選択するのではなく,1つの確認された異常を用いてプールを重み付けするONESHOTを提案する。 具体的には、確認された異常に対して各検出器をスコアし、これらのスコアはプール全体の柔らかい混合物の重みとなる。 確認された1つの異常が、このシリーズで最高の検出器に近づくのに十分であることを示す。 152個の単変量級と73個の多変量級のうち、ONESHOTは最強の単変量検出器を上回り、プール全体の平均値を下げ、確認された事象において最高の検出器を選ぶ。 コードは、https://github.com/seunghan96/one_shot.comで入手できる。

関連論文リスト

• Have an LLM Write Your Anomaly Detector: Autonomous Discovery of Compact, Interpretable Detectors for Time Series [1.0152838128195467]
  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。
  論文  参考訳（メタデータ） (2026-10-01T07:26:09Z)
• What the Detector Can See: Evaluating CPS Anomaly Detectors Independently of the Decision Rule [6.145872664954402]
  異常検知器は、しばしばサイバー物理システムの最後の防御線である。 これらの検出器は通常、単一の動作点における精度、リコール、F1を用いて比較される。 我々は、CPS異常検出器を2段階のパイプラインとして扱う:ステージ1は残差に観測をマッピングし、ステージ2は残差をアラームにマッピングする。 我々は,3つのCPSベンチマーク(SWaT,WADI,HAI)の5つの検出器を評価した。
  論文  参考訳（メタデータ） (2026-08-03T19:35:00Z)
• Universal Transformation of One-Class Classifiers for Unsupervised Anomaly Detection [51.73001988341294]
  異常検出は通常、一級分類問題として定式化される。 本稿では,任意の1クラス分類器に基づく異常検出器を,完全に教師なしの手法に変換するデータセット折り畳み方式を提案する。
  論文  参考訳（メタデータ） (2026-02-13T16:54:12Z)
• Advancing Machine-Generated Text Detection from an Easy to Hard Supervision Perspective [108.30620357325559]
  既存の機械生成テキスト(MGT)検出手法は、ラベルを「黄金標準」として暗黙的に仮定する このような不正確な条件下での信頼性の高い監視を実現するための,容易かつハードな強化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-02T15:59:31Z)
• Bounding Box Stability against Feature Dropout Reflects Detector Generalization across Environments [52.65013932553849]
  良い検出器は、位置があまり変化しない有界箱を出力する傾向があり、弱い検出器の有界箱は顕著な位置変化を受ける。 ボックス安定性スコア(BoSスコア)を計算して、この安定性を反映する。 各種試験環境における平均平均精度(mAP)を用いて測定した検出精度とBoSスコアが強い正の相関関係を持つことに寄与する。
  論文  参考訳（メタデータ） (2024-03-20T17:59:16Z)
• Probabilistic Ranking-Aware Ensembles for Enhanced Object Detections [50.096540945099704]
  本稿では,検知器から箱を囲むことの信頼性を向上するPRAE(Probabilistic Ranking Aware Ensemble)という新しいアンサンブルを提案する。 また,異なる数の箱を扱う必要性によって生じる信頼の不均衡問題に対処するためのbanditアプローチも導入する。
  論文  参考訳（メタデータ） (2021-05-07T09:37:06Z)
• Probabilistic two-stage detection [83.9604523643406]
  現状の1段階検出器から2段階の確率的検出器を構築する方法を示す。 その結果、検出器は1段と2段の両方の前駆体よりも高速で精度が高い。
  論文  参考訳（メタデータ） (2021-03-12T18:56:17Z)
• Object Detection Made Simpler by Eliminating Heuristic NMS [70.93004137521946]
  単純なNMSのないエンドツーエンドのオブジェクト検出フレームワークを示す。 検出精度は元の1段検出器と比べて同等か、さらに向上した。
  論文  参考訳（メタデータ） (2021-01-28T02:38:29Z)
• Master-Auxiliary: an efficient aggregation strategy for video anomaly detection [33.273148409922065]
  監視ビデオ異常検出の目的は、特定のシーンで稀に、あるいは一度も起こらない事象を検出することである。 本稿では,複数の検出器を集約する効率的な手法を提案する。
  論文  参考訳（メタデータ） (2020-05-24T03:09:08Z)

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。