# RefinedEdge [[Nankai University]]・[[Alibaba Cloud]]・[[Microsoft]]・[[Tsinghua University]] の共同研究([[@2025__TSC__Bridging Edge and Cloud - A Knowledge-Enhanced Framework for Efficient Time Series Anomaly Detection]], IEEE TSC 2025)で提案された、多変量時系列異常検知(MTSAD)向けのエッジクラウド協調フレームワーク。資源制約のあるエッジデバイス(2.6 GHz 6 コア CPU 相当)への配備を目的とし、以下 3 モジュールで構成される。 1. **Aggregated Compression(集約圧縮)**: N 台のエッジデバイスのデータをクラウドに集約して大型教師モデル(TimesNet)を訓練し、4 種のプルーニング戦略(Random-Magnitude・Magnitude-Magnitude・Taylor-Magnitude・BN-Scale Group)をアンサンブルして段階的に圧縮する。 2. **Knowledge Refinement(知識精錬)**: プルーニング済みモデルを、再構成損失と蒸留損失を係数 λkd で線形結合した目的関数で統合学生モデルへ蒸留し、その後各エッジデバイスのローカルデータで個人化する二段階構成。 3. **Reciprocal Edge-Cloud Updating(相互エッジクラウド更新)**: エッジの個人化モデルが Reverse Knowledge Distillation でクラウド教師モデルの更新を導き、更新後の教師モデルが統合・個人化学生モデルの再学習を導く双方向・継続的なサイクル(典型的に 24 時間周期)。 EdgeNode(産業パートナー由来の非公開データセット)・SMD・MSL・SMAP の 4 データセットで、0.12M パラメータの個人化学生モデルが F1=0.9588/0.9274/0.8827/0.8580 を達成し、SMD では 7M パラメータの Cloud-Train モデル(パラメータ比 1.7%)を上回った。フレームワークはモデル非依存であり、再構成ベース(TimesNet)だけでなく予測ベースの Transformer(CrossFormer・iTransformer)にも適用可能なことを実証している。また Period-Phase Consistency(PPC)という新指標を提案し、知識蒸留による時間依存構造の保存度を定量化した(EdgeNode で PPCintra=0.9602、PPCinter=0.9227)。(Source: [[@2025__TSC__Bridging Edge and Cloud - A Knowledge-Enhanced Framework for Efficient Time Series Anomaly Detection]]) ## 関連 - ソース: [[@2025__TSC__Bridging Edge and Cloud - A Knowledge-Enhanced Framework for Efficient Time Series Anomaly Detection]] - 開発者: [[Shenglin Zhang]] / [[Jiacheng Zhang]] / [[Guohua Liu]] / [[Shiqi Chen]] / [[Chenyu Zhao]] / [[Minghua Ma]] / [[Yutong Chen]] / [[Yongqian Sun]] / [[Dan Pei]] - 所属: [[Nankai University]] / [[Alibaba Cloud]] / [[Microsoft]] / [[Tsinghua University]] - 概念: [[異常検知]] / [[知識蒸留]] / [[モデル圧縮]] / [[Edge Computing]] / [[Edge-cloud Collaboration]]