論文の概要: Distilling Multi-Teacher Scoring Principles for Unsupervised Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2610.29063v1
• Date: Wed, 21 Oct 2026 01:42:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.176904
• Title: Distilling Multi-Teacher Scoring Principles for Unsupervised Time Series Anomaly Detection
• Title（参考訳）: 教師なし時系列異常検出のための多教師スコーリング原理の蒸留
• Abstract要約: AnoMixは、補完的な教師のスコアリング原則を単一のデプロイ可能なモデルに統合する。 ゼロショットの変種は、蒸留されたランキング信号が未知のデータセットに転送され、異常検出のための大規模な事前訓練された時系列基盤モデルより優れていることを示している。
• 参考スコア（独自算出の注目度）: 1.6111818380407035
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Time series anomalies take diverse forms, and individual detectors encode different anomaly scoring principles that rarely cover all anomaly types. Recent unsupervised time-series anomaly detectors provide complementary scoring signals, yet deploying them as an ensemble preserves the inference and maintenance cost of every individual detector. We study whether heterogeneous teacher detectors can be distilled into a single lightweight detector in the unsupervised setting, where no anomaly labels are available to define a shared target. AnoMix addresses this by extracting weak pairwise supervision from the training-set anomaly scores of frozen teachers. It normalizes each teacher score sequence independently and trains the student with CoRank, a multi-teacher ranking-distillation objective that converts teacher score gaps into pairwise supervision through teacher consensus. Across seven benchmark datasets, AnoMix successfully integrates complementary teacher scoring principles into a single deployable model, improving over individual detectors and static score ensembles while using a compact student with under 80k parameters on the benchmark settings. A zero-shot variant further shows that the distilled ranking signal transfers to unseen datasets and can outperform large pretrained time-series foundation models for anomaly detection.
• Abstract（参考訳）: 時系列異常は多様な形態を採り、個々の検出器は、全ての異常タイプをカバーすることはめったにない、異なる異常スコアの原理を符号化する。 最近の教師なしの時系列異常検知器は、補完的なスコアリング信号を提供するが、それらをアンサンブルとして配置することで、個々の検出器の推論とメンテナンスコストを維持できる。 本研究では,教師の不均一な検知器を教師なし環境下で単一軽量検出器に蒸留できるかどうかを検討した。 AnoMixは、凍結教師のトレーニングセットの異常スコアから弱いペアの監督を抽出することで、この問題に対処する。 教師のスコア・シーケンスを個別に正規化し、教師のコンセンサスを通じて教師のスコア・ギャップをペアの監督に変換する多教師のランキング・蒸留目標であるCoRankで生徒を訓練する。 7つのベンチマークデータセット全体で、AnoMixは、補完的な教師のスコアリング原則を単一のデプロイ可能なモデルに統合し、ベンチマーク設定に80k以下のパラメータを持つコンパクトな学生を使用しながら、個々の検出器と静的スコアアンサンブルを改善した。 ゼロショットの変種は、蒸留されたランキング信号が未知のデータセットに転送され、異常検出のための大規模な事前訓練された時系列基礎モデルより優れていることを示している。

関連論文リスト

• Differentiable Interval Bottlenecks for Interpretable Anomaly Detection in Numerical Data [0.5213778368155993]
  DIFFINTは、遅延ボトルネックがソフトな軸方向のインターバルメンバシップのセットとして構成されるオートエンコーダである。 統計的にタイトされた7つの方法のリードクラスターの中で唯一の解釈可能な検出器である。
  論文  参考訳（メタデータ） (2026-09-03T14:05:27Z)
• Prediction-Only Distillation in Linear and Logistic Regression [61.07540493350384]
  自己蒸留は典型的には、学生が教師の元々のトレーニングインプットで再訓練されるときに研究される。 我々は、新しいX予測混合方式により、この予測のみの方式でSDを研究する。 二項ロジスティック回帰では、予測混合は教師と純蒸留の両方より優れていることを示す。
  論文  参考訳（メタデータ） (2026-07-16T20:45:56Z)
• ICLAD: In-Context Learning for Unified Tabular Anomaly Detection Across Supervision Regimes [8.150109591980108]
  ICLADは、データセットと監督体制の両方にわたって一般化する、コンテキスト内学習モデルである。 本手法は,3つの監督体制をまたいだ最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-03-19T21:49:04Z)
• Multi-Agent Debate: A Unified Agentic Framework for Tabular Anomaly Detection [7.807411603618987]
  マルチエージェント議論フレームワーク(MAD)は、不一致を第一級信号として扱う。 MADは、大言語モデル(LLM)ベースの批評家によって強化された正規化された異常スコア、信頼性、構造化された証拠を生成する。 コンフォメーションキャリブレーションが議論されたスコアをラップして、交換可能性の下で偽陽性を制御する方法を示す。
  論文  参考訳（メタデータ） (2026-02-15T17:44:32Z)
• 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)
• SetAD: Semi-Supervised Anomaly Learning in Contextual Sets [25.628827917857603]
  半教師付き異常検出は、限られたラベル付きデータを効果的に活用することで大きな可能性を秘めている。 本研究では,半教師付きADをSet-level Anomaly Detectionタスクとして再編成する新しいフレームワークであるSetADを提案する。 頑健性とスコアの校正性を高めるため,文脈校正型異常スコアリング機構を提案する。
  論文  参考訳（メタデータ） (2025-11-26T13:27:59Z)
• Probably Approximately Precision and Recall Learning [60.00180898830079]
  機械学習における重要な課題は、一方的なフィードバックの頻度である。 本稿では,確率的近似(PAC)フレームワークを導入し,各入力をラベルの集合にマッピングする仮説を定めている。 我々は、正のデータのみから学習する新しいアルゴリズムを開発し、実現可能な場合において最適なサンプル複雑性を実現する。
  論文  参考訳（メタデータ） (2024-11-20T04:21:07Z)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• Self-Supervised Multi-Object Tracking For Autonomous Driving From Consistency Across Timescales [53.55369862746357]
  自己管理型マルチオブジェクトトラッカーは、生のドメイン固有データから学習できるという大きな可能性を秘めている。 しかし、その再識別精度は、監督対象よりも低い。 本稿では,複数の連続フレームから再同定特徴を自己教師付きで学習できる学習目標を提案する。
  論文  参考訳（メタデータ） (2023-04-25T20:47:29Z)
• Hybrid Dynamic Contrast and Probability Distillation for Unsupervised Person Re-Id [109.1730454118532]
  非監督的人物再識別(Re-Id)は、リードワールドビデオ監視システムにおける実践的応用により注目されている。 本稿では,ハイブリッド動的クラスタコントラストと確率蒸留アルゴリズムを提案する。 教師なしRe-Id問題を局所-言語的ダイナミックコントラスト学習と自己教師付き確率蒸留の枠組みに統合する。
  論文  参考訳（メタデータ） (2021-09-29T02:56:45Z)

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。