論文の概要: ExCal: Optimization-Free Multivariate Time Series Anomaly Detection via Excess Calibration

• arxiv url: http://arxiv.org/abs/2610.35568v1
• Date: Mon, 26 Oct 2026 15:06:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.04604
• Title: ExCal: Optimization-Free Multivariate Time Series Anomaly Detection via Excess Calibration
• Title（参考訳）: ExCal:過剰校正による最適化不要な多変量時系列異常検出
• Abstract要約: 通常の多変量時系列異常検出器であるExCalを導入する。 各エキスパートマップは、トレーニングプレフィックスから高い正規度フロアを受信する。 スコアリング中は、正の余剰を保ち、地図を広く発射するために減衰させ、小さな階級の用語と組み合わせる。
• 参考スコア（独自算出の注目度）: 1.7751300245073598
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce ExCal, a normal-only multivariate time series anomaly detector that combines raw state retrieval, a signal/derivative subspace, and robust statistics across temporal scales. Each expert map receives a high normality floor from the training prefix. During scoring, positive excess is retained, attenuated for broadly firing maps, and combined with a small rank term. The method fits reference memories and projections without gradient optimization or anomaly labels. Prevalence and ranks depend on the complete scored sequence, making inference batch and transductive rather than online. On 180 series from 17 TSB-AD-M families, ExCal obtains AUC-PR $0.421\pm0.37$ and VUS-PR $0.452\pm0.37$ over three seeds, ranking second among 24 methods. Holm-adjusted paired tests detect no significant difference from AxonAD or StreamVAE, which are the two leading non-pretrained methods on TSB-AD-M, on either primary metric, while finding significant positive differences against the other 21 baselines. A separate single-run probe over three series measures median model-wrapper time of $0.0662$ s. Ablations associate the largest primary-metric changes with raw retrieval and excess-magnitude preservation. The evaluated score is decomposable by expert, but its diagnostic utility and online suitability remain untested.
• Abstract（参考訳）: 実状態検索,信号/導出部分空間,時間スケールの頑健な統計を組み合わせた,正規分布のみの多変量時系列異常検出器であるExCalを導入する。 各エキスパートマップは、トレーニングプレフィックスから高い正規度フロアを受信する。 スコアリング中は、正の余剰を保ち、地図を広く発射するために減衰させ、小さな階級の用語と組み合わせる。 この方法は、勾配最適化や異常ラベルなしで参照メモリと投影に適合する。 頻度とランクは、オンラインではなく推論バッチとトランスダクティブを作る、完全なスコアシーケンスに依存する。 TSB-AD-Mファミリーの180シリーズでは、AUC-PR $0.421\pm0.37$とVUS-PR $0.452\pm0.37$を3つの種で獲得し、24のメソッドの中で2番目にランクインしている。 Holm-adjusted paired testsは、TSB-AD-M上の2つの非事前学習法であるAxonADとStreamVAEに有意な差は見出せず、他の21基線に対して有意な正の差が認められた。 3シリーズの別個の単走プローブは、モデルラッパーの中央値が0.0662$ sである。 アブレーションは、最も大きな一次測定値の変化と生の回収と過剰なマグニチュード保存とを関連づける。 評価スコアは専門家によって分解可能であるが、診断ユーティリティとオンライン適合性はまだ検証されていない。

関連論文リスト

• LEAP: a Latent Embedding Anomaly Patch-Transformer for time-series anomaly detection [0.29829664584116466]
  時系列異常検出は、再構成に基づくニューラル検出器が支配する。 最近の大規模なベンチマークでは、キュレートされたデータでは、精巧な深度検出器が単純な統計ベースラインを超えることはめったにない。 マスク付き予測と潜在表現に基づく異常証拠を組み合わせたLEAP(Latent Embedding Anomaly Patch-Transformer)を提案する。
  論文  参考訳（メタデータ） (2026-10-26T10:44:28Z)
• When a Flatness Proxy Is Not a Function: Robustness Certificates and Training Interventions [1.9909262723844419]
  有効な曲率上限は、ロバスト性証明や本質的な予測特性の介入を正当化しない。 グローバルに有効なゲージ不変な特徴空間修復を導出する。 45回にわたってアルゴリズムモデルと画像モデルのワンステップテストを行い、増幅されたシフトは原規則化予測器を分離し、商規則化予測器は整列する。
  論文  参考訳（メタデータ） (2026-09-29T20:57:34Z)
• StatD2GAN: When Calibration Masks Generator Quality in Held-Out Evaluation of Synthetic Weather Sequences [0.0]
  我々は,進化的重み適応を持つ3つの識別器GANであるStatD2GANの評価を,ホールドアウトプロトコルを中心に再構築した。 等方性キャリブレーションにより,コルモゴロフ-スミルノフ間距離は, 試験された全ての建築物に対して, 位置当たりのノイズ/シフトフロアの2%以内となることを示す。 選別表現判別器は、除去が多変量依存を著しく低下させる唯一の成分である。
  論文  参考訳（メタデータ） (2026-09-27T16:59:38Z)
• The Residual Stream's Effective Depth [10.776510686549338]
  $Deff$は、トランスフォーマーの階層的残留ストリームを離散時間プロセスとして扱う診断である。 16のデフォルト値のうち15は$F_L$以下である。 OLMo-2の初期に確立され、5Tトークンを介して安定するが、Pythia-1.4Bは異なる減少軌道を辿る。
  論文  参考訳（メタデータ） (2026-09-25T10:36:43Z)
• Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection [69.06648810271712]
  本稿では,関係バランスの取れたグラフ学習を用いた教師なしフレームワークRECALについて述べる。 3つのDARPA E3データセットにおいて、RECALはF1スコアの99.99%、99.93%、99.99%を達成し、各データセットでそれぞれ0.88、0.82、0.42で最高のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-09-15T00:31:01Z)
• RoCA: Robust Contrastive One-class Time Series Anomaly Detection with Contaminated Data [19.25420308920505]
  正規性仮定に基づく手法は3つの制限に直面している。 彼らの基本的な前提は、トレーニングデータが汚染されていない(異常がない)ことである。 本稿では,上記の3つの課題に最初に対処した,新しい堅牢なアプローチであるRoCAを提案する。
  論文  参考訳（メタデータ） (2025-03-24T06:52:28Z)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• Industrial Anomaly Detection and Localization Using Weakly-Supervised Residual Transformers [44.344548601242444]
  Weakly-supervised RESidual Transformer (WeakREST) という新しいフレームワークを導入し,高い異常検出精度を実現する。 画素単位の異常局所化タスクをブロック単位の分類問題に再構成する。 弱いラベルと残差に基づく表現との相互作用を処理できるResMixMatchアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-06-06T08:19:30Z)

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。