論文の概要: Distinguishing Process Change, Instrument Fault and Data-Path Corruption in Streaming Telemetry: A Reference Implementation and Benchmark

• arxiv url: http://arxiv.org/abs/2610.18904v2
• Date: Sun, 18 Oct 2026 19:22:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 06:32:45.287974
• Title: Distinguishing Process Change, Instrument Fault and Data-Path Corruption in Streaming Telemetry: A Reference Implementation and Benchmark
• Title（参考訳）: ストリーミングテレメトリにおける消毒プロセスの変化, 計器故障, データパスの破損 : 基準実装とベンチマーク
• Abstract要約: 我々は、この3つの原因の問題を述べ、1つのチャネルが分離できない原因のペアを証明し、オンライン検出器のバンクを提案する。 検出器は、公開アルゴリズムライブラリにマージされた。 Skoltech Anomaly Benchmarkでは、33実験のうち32実験を検出し、15秒の中央値の遅延を1時間に46回の誤報で検出する。
• 参考スコア（独自算出の注目度）: 16.99229148501035
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A reading departs from what a monitoring system expects for one of three reasons: the physical process changed, the instrument is failing, or the value was corrupted between the instrument and the software. The three call for different responses and look alike in a single sample. We state the three-cause problem, prove which pairs of causes one channel cannot separate, and propose a bank of online detectors - a Kalman tracker with CUSUM and EWMA charts on its innovation, a Hampel median with generalized-ESD confirmation, a robust noise statistic with ADWIN, exact-value checks and an optional two-channel complementary filter - combined by a deterministic, inspectable attribution rule. The detectors were merged into a public algorithm library. On 2,942 injected events of thirteen fault types the method detects 96.3% (95% interval 95.7-97.0) at 0.22 false alarms per hour and attributes 91.2% (90.6-91.8) of detected events correctly from one channel and 99.0% (98.6-99.4) with a second, rate channel; from one channel only 2 of 207 detected sensor drifts are attributed to the instrument, as the problem statement predicts. Injected into recorded industrial signals, the same catalogue is detected at 80.8% and attributed correctly at 84.5%, at 3.6 false alarms per hour. On the Skoltech Anomaly Benchmark the method detects 32 of 33 experiments with a median delay of 15 s, at 46 false alarms per hour against 11 for a rolling z-score.
• Abstract（参考訳）: 物理的プロセスが変更され、機器が故障したり、機器とソフトウェアの間に価値が損なわれたりする、という3つの理由の1つである。 3人は異なる応答を求め、1つのサンプルで同じように見えます。 我々は、この3つの原因について述べ、どのチャネルが分離できないかを証明し、CUSUMとEWMAチャートを備えたカルマン・トラッカー、一般化ESD確認を伴うハンペル中央値、ADWINによる頑健なノイズ統計、正確な値チェック、オプションの2チャンネル補間フィルタを、決定論的で検査可能な帰属規則で組み合わせたオンライン検出器のバンクを提案する。 検出器は、公開アルゴリズムライブラリにマージされた。 13の断層型の2,942回のインジェクトイベントでは、1時間あたり0.22の誤報で96.3%(95%間隔95.7-97.0)、検出された事象の91.2%(90.6-91.8)、第2のレートチャネルで99.0%(98.6-99.4)を正確に検出する。 記録された産業信号に注入され、同じカタログが80.8%で検出され、84.5%で正しく、1時間に3.6回の誤報が発せられる。 Skoltech Anomaly Benchmarkでは、33実験のうち32実験を検出し、15秒の中央値の遅延を1時間に46回の誤報で検出する。

関連論文リスト

• MultiPartyTurnBench: Benchmarking Floor Control in Multi-Party Spoken Dialogue [67.07361089429757]
  本研究では, 主観的ターンテイクや終末行動について検討するが, 真のフロア・トランジションの統一的評価を, 難易度の高い非パーティ・セッティングに対して検討する。 我々は、240個の合成されたチャネル分離会話のベンチマークであるMultiPartyTurnBench (MPTB) について紹介する。 学習システムは82.2.6%のEOTリコールを4.3-11.8%の偽陽性率で達成し、Interruption (INT) 検出は失敗したテイクオーバーや過剰な偽のアクティベーションに悩まされる。
  論文  参考訳（メタデータ） (2026-10-14T13:20:14Z)
• MADGRAV: a multilevel anomaly-detection pipeline for gravitational-wave searches applied to LIGO data [39.146761527401424]
  textbfMADGRAVは、高質量のコンパクトなバイナリコリゾネートをディープラーニングで検索する。 ハンフォードとリビングストンのLIGO検出器からのデータは、第2のQ変換窓によって研究されている。
  論文  参考訳（メタデータ） (2026-09-30T12:12:19Z)
• From Routing Signals to Selective Review: Visual regrounding in MoE VLMs [48.07726955428853]
  視覚言語モデル(VLM)は偽の視覚的前提を受け入れ、対象の物体の色、数、位置、状態について疑問に答える。 本稿では,Mixture-of-Experts (MoE)VLMにおける内部ルーティング決定を活用するための最初のフレームワークを提案する。 提案手法は,MoE VLMによってすでに作成されており,低コストな検出と選択的な視覚的リグラウンドを支援することができる。
  論文  参考訳（メタデータ） (2026-09-29T17:49:07Z)
• The Price of Peeking: Anytime-Valid Leakage Detection on ML-KEM EM Traces [45.88028371034407]
  本研究は, ベットによる検査に基づく漏洩検出について検討する。 13000～20000のサンプルに対して繰り返し表示される$|t|>4.5$は2.7-12.9%の複製で誤報を発生させた。
  論文  参考訳（メタデータ） (2026-09-27T14:14:10Z)
• Where the Numbers Come From: Auditing Evaluation in Provenance-Based Intrusion Detection [42.49426058823369]
  証明に基づく侵入検知器のスコアを再現しても、そのアラームの出力やエンコーダが使用する情報についてそのスコアが何を言っているかは定かでない。 我々は、リリースした9つの実装を監査し、独自のコードを使用して4つの検出器を実行し、3つの測定効果を分離する。
  論文  参考訳（メタデータ） (2026-09-27T13:01:02Z)
• SIDE: Sensor Impersonation Detection at the Edge via Sequence Prediction [0.0]
  低コストのIoT(Internet of Things)センサーデプロイメントには、デバイスレベルのソース認証がないものもある。 概念実証研究において,センサ・インモーフィケーション検出のための軽量なアプローチを提案する。
  論文  参考訳（メタデータ） (2026-09-05T21:46:07Z)
• A Hybrid Two-Stage Machine Learning Pipeline for Fault Detection and Classification in Power Transmission Systems [0.4349640169711269]
  本稿では,分類から検出を分離するハイブリッド2段階機械学習パイプラインを提案する。 TLFaultDatasetでは、Line-faultのエンドツーエンドの精度が31.3%から95.8%に向上している。 独立した単一ポイントデータセットでは、同じフレームワークが通常の操作を含むすべてのクラスで97.25%のエンドツーエンドの精度を達成している。
  論文  参考訳（メタデータ） (2026-08-24T18:11:29Z)
• Level, Sharpness, and Corpus: Why Zero-Shot OOD Detector Rankings Do Not Transfer [36.02174685737611]
  各検出器は、少なくとも1つのドメインで80%$ FPR95 を超え、所望の検出器は、分配データと基礎となる VLM の両方に依存する。 本稿では, ベース検出器, レベル, シャープネスの非補償融合により, 補完的証拠を保存する検出器非依存ラッパーであるComplementary Evidence Guard(CEG)を紹介する。
  論文  参考訳（メタデータ） (2026-07-29T08:00:49Z)
• HEP Statistical Inference for UAV Fault Detection: CLs, LRT, and SBI Applied to Blade Damage [0.0]
  本稿では,粒子物理からマルチロータプロペラ故障検出への3つの統計手法の移行について述べる。 UAV-FDでは、実際の18回の飛行で5%と10%のブレード損傷があったため、AUC 0.862 +/-0.007となる。 四面体プラットフォームであるPADREでは、AUCは生成モデルのみを適合させた後0.986に達した。
  論文  参考訳（メタデータ） (2026-03-19T07:01:09Z)

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。