時系列ファウンデーションモデルを活用した適応的コンフォーマル異常検出とシグナルモニタリング

arXiv:2604.20122v1 発表タイプ: 新 アブストラクト: 私たちは、事前トレーニングされたファウンデーションモデルの予測を活用し、追加的微調を必要とせずに時系列のモニタリングのための事後適応的コンフォーマル異常検出法を提案します。私らの方法により、誤報率（p-値）として直接解釈可能な解釈可能な異常スコアが得られ、透明性が高く、実行可能な意思決定を可能にします。この方法は、加重量子コンフォーマル予測境界を使用し、過去の予測から最適な重み付けパラメータを適応的に学習することで、分布シフト下での精度調整と安定した誤報制御を実現します。これにより、サンプル外を保証しながらも、モデル非特化的な解決策として提供されます。これは、ファウンデーションモデルとシームレスに統合でき、リソース制限された環境での迅速なデプロイをサポートします。また、データ可用性の制限、トレーニング専門家の欠如、そして即時推論の必要性といった重要な産業課題に対処するとともに、時系列ファウンデーションモデルのアクセス性向上を活用します。合成データおよび実世界データの両方での実験结果显示，提案されたアプローチはシンプルさ、解釈可能性、頑健性、適応性を兼ね備えた優れた性能を発揮しています。

arXiv:2604.20122v1 Announce Type: new Abstract: We propose a post-hoc adaptive conformal anomaly detection method for monitoring time series that leverages predictions from pre-trained foundation models without requiring additional fine-tuning. Our method yields an interpretable anomaly score directly interpretable as a false alarm rate (p-value), facilitating transparent and actionable decision-making. It employs weighted quantile conformal prediction bounds and adaptively learns optimal weighting parameters from past predictions, enabling calibration under distribution shifts and stable false alarm control, while preserving out-of-sample guarantees. As a model-agnostic solution, it integrates seamlessly with foundation models and supports rapid deployment in resource-constrained environments. This approach addresses key industrial challenges such as limited data availability, lack of training expertise, and the need for immediate inference, while taking advantage of the growing accessibility of time series foundation models. Experiments on both synthetic and real-world datasets show that the proposed approach delivers strong performance, combining simplicity, interpretability, robustness, and adaptivity.