論文の概要: SimAD: A Simple Dissimilarity-based Approach for Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2405.11238v2
• Date: Tue, 15 Jul 2025 03:06:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-16 19:46:02.683541
• Title: SimAD: A Simple Dissimilarity-based Approach for Time Series Anomaly Detection
• Title（参考訳）: SimAD: 時系列異常検出のための簡易な異種性に基づくアプローチ
• Authors: Zhijie Zhong, Zhiwen Yu, Xing Xi, Yue Xu, Wenming Cao, Yiyuan Yang, Kaixiang Yang, Jane You,
• Abstract要約: 私たちは、$textbfSim$ple dissimilarity-based approach for time series $textbfA$nomaly $textbfD$etection($textbfSimAD$)を紹介します。 SimADは最初、拡張時間ウィンドウを処理できるパッチベースの機能抽出器を組み込んでおり、通常の動作パターンを完全に統合するためにEmbedPatchエンコーダを使用している。 次に,SimADにおけるContrastFusionモジュールの設計を行い,異常検出のロバスト性を高める。
• 参考スコア（独自算出の注目度）: 23.684577046512747
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the prevalence of reconstruction-based deep learning methods, time series anomaly detection remains a tremendous challenge. Existing approaches often struggle with limited temporal contexts, insufficient representation of normal patterns, and flawed evaluation metrics, all of which hinder their effectiveness in detecting anomalous behavior. To address these issues, we introduce a $\textbf{Sim}$ple dissimilarity-based approach for time series $\textbf{A}$nomaly $\textbf{D}$etection, referred to as $\textbf{SimAD}$. Specifically, SimAD first incorporates a patching-based feature extractor capable of processing extended temporal windows and employs the EmbedPatch encoder to fully integrate normal behavioral patterns. Second, we design an innovative ContrastFusion module in SimAD, which strengthens the robustness of anomaly detection by highlighting the distributional differences between normal and abnormal data. Third, we introduce two robust enhanced evaluation metrics, Unbiased Affiliation (UAff) and Normalized Affiliation (NAff), designed to overcome the limitations of existing metrics by providing better distinctiveness and semantic clarity. The reliability of these two metrics has been demonstrated by both theoretical and experimental analyses. Experiments conducted on seven diverse time series datasets clearly demonstrate SimAD's superior performance compared to state-of-the-art methods, achieving relative improvements of $\textbf{19.85%}$ on F1, $\textbf{4.44%}$ on Aff-F1, $\textbf{77.79%}$ on NAff-F1, and $\textbf{9.69%}$ on AUC on six multivariate datasets. Code and pre-trained models are available at https://github.com/EmorZz1G/SimAD.
• Abstract（参考訳）: 再構成に基づくディープラーニング手法が普及しているにもかかわらず、時系列異常検出は依然として大きな課題である。 既存のアプローチは、限られた時間的文脈、正常なパターンの表現不足、評価指標の欠陥に悩まされ、これらすべてが異常な振る舞いを検出する効果を妨げている。 これらの問題に対処するために、$\textbf{Sim}$ple dissimilarity-based approach for time series $\textbf{A}$nomaly $\textbf{D}$etection($\textbf{SimAD}$)を紹介する。 具体的には、まず、拡張時間ウィンドウを処理できるパッチベースの特徴抽出器を組み込み、正常な動作パターンを完全に統合するためにEmbedPatchエンコーダを使用する。 次に,SimADにおけるContrastFusionモジュールの設計を行い,異常検出のロバスト性を高める。 第3に,従来の指標の限界を克服し,より優れた識別性とセマンティックな明瞭さを提供することを目的として,Unbiased Affiliation (UAff) と正規化アフィリエレーション (NAff) の2つの頑健な拡張評価指標を導入した。 これら2つの指標の信頼性は、理論的および実験的解析の両方によって実証されている。 7つの異なる時系列データセットで実施された実験は、SimADが最先端の手法と比較して優れた性能を示しており、F1では$\textbf{19.85%}$、Aff-F1では$\textbf{4.44%}$、NAff-F1では$\textbf{77.79%}$、AUCでは$\textbf{9.69%}$の相対的な改善を実現している。 コードと事前訓練されたモデルはhttps://github.com/EmorZz1G/SimAD.comで入手できる。

関連論文リスト

• Sample Complexity and Representation Ability of Test-time Scaling Paradigms [91.34339030453425]
  テスト時間スケーリングのパラダイムは、複雑なタスクにおいて、大きな言語モデル(LLM)の能力を向上した。 本稿では, 自己整合性, ベスト・オブ・n$, 自己補正など, 様々なテストタイム戦略のサンプル効率について検討する。 単一のTransformerアーキテクチャは、ユーザクエリに関連する特定のタスクを事前に知ることなく、複数のタスクを確実に解決することができる。
  論文  参考訳（メタデータ） (2025-06-05T17:48:19Z)
• Theoretical Foundation of Flow-Based Time Series Generation: Provable Approximation, Generalization, and Efficiency [7.578147116161996]
  本稿では,フローベース生成モデルの観点から,最初の理論的枠組みを提案する。 一般的なデータモデルを仮定することにより、拡散変換器(DiT)の普遍近似の下でフローベース生成モデルの適合性は任意の誤差に収束することが確認される。
  論文  参考訳（メタデータ） (2025-03-18T09:53:48Z)
• SAPPHIRE: Preconditioned Stochastic Variance Reduction for Faster Large-Scale Statistical Learning [18.055120576191204]
  Ill-conditioned objectives and nonsmooth regularizers under the performance of traditional convex method。 本研究では,不条件な複合型大規模機械学習問題に対する分散自由解を提案する。
  論文  参考訳（メタデータ） (2025-01-27T10:36:45Z)
• Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [88.34095233600719]
  FAPromptは、より正確なZSADのためにきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。 画像レベルおよび画素レベルのZSADタスクにおいて、最先端の手法を少なくとも3%-5%のAUC/APで大幅に上回っている。
  論文  参考訳（メタデータ） (2024-10-14T08:41:31Z)
• Byzantine-resilient Federated Learning Employing Normalized Gradients on Non-IID Datasets [23.640506243685863]
  実践的連合学習(FLNGA)では、悪意のある攻撃やデータ不均一性の存在が学習プロセスにバイアスをもたらすことが多い。 本稿では、アップロードされた局所勾配をアグリゲーションの前に正規化する正規化勾配単位(Fed-M)モデルを提案し、$mathcalO(pM)$を達成した。
  論文  参考訳（メタデータ） (2024-08-18T16:50:39Z)
• Exploiting Pre-trained Models for Drug Target Affinity Prediction with Nearest Neighbors [58.661454334877256]
  薬物-標的結合親和性(DTA)予測は、薬物発見に不可欠である。 DTA予測へのディープラーニング手法の適用にもかかわらず、達成された精度は依然として準最適である。 事前学習したDTA予測モデルに適用した非表現埋め込みに基づく検索手法である$k$NN-DTAを提案する。
  論文  参考訳（メタデータ） (2024-07-21T15:49:05Z)
• USD: Unsupervised Soft Contrastive Learning for Fault Detection in Multivariate Time Series [6.055410677780381]
  本研究では,データ拡張とソフトコントラスト学習の組み合わせを導入し,より正確に状態行動の多面的特性を捉えることを目的としている。 この二重戦略は、正常な状態と異常な状態を区別するモデルの能力を著しく向上させ、複数のデータセットと設定で障害検出性能が著しく向上する。
  論文  参考訳（メタデータ） (2024-05-25T14:48:04Z)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• Adversarial Anomaly Detection using Gaussian Priors and Nonlinear Anomaly Scores [0.21847754147782888]
  不均衡データセットにおける異常検出は、特に医療領域において頻繁にかつ重要な問題である。 本稿では,$beta$-variational autoencoder(VAE)の生成安定性とGAN(Generative Adversarial Network)の識別強度を組み合わせることで,新たなモデルである$beta$-VAEGANを提案する。 本稿では,モデルの識別的,再構成的能力に基づいて,異常スコアを構成する手法について検討する。
  論文  参考訳（メタデータ） (2023-10-27T12:24:08Z)
• DFedADMM: Dual Constraints Controlled Model Inconsistency for Decentralized Federated Learning [52.83811558753284]
  分散学習(DFL)は、中央サーバーを捨て、分散通信ネットワークを確立する。 既存のDFL手法は依然として、局所的な矛盾と局所的な過度なオーバーフィッティングという2つの大きな課題に悩まされている。
  論文  参考訳（メタデータ） (2023-08-16T11:22:36Z)
• Hard Nominal Example-aware Template Mutual Matching for Industrial Anomaly Detection [74.9262846410559]
  textbfHard Nominal textbfExample-aware textbfTemplate textbfMutual textbfMatching (HETMM) textitHETMMは、厳密なプロトタイプベースの決定境界を構築することを目的としており、ハードノミナルな例と異常を正確に区別することができる。
  論文  参考訳（メタデータ） (2023-03-28T17:54:56Z)
• DTAAD: Dual Tcn-Attention Networks for Anomaly Detection in Multivariate Time Series Data [0.0]
  本稿では,Transformer と Dual Temporal Convolutional Network (TCN) に基づく異常検出・診断モデル DTAAD を提案する。 予測精度の向上と相関性の向上のために,スケーリング手法とフィードバック機構を導入している。 7つの公開データセットに対する実験により、DTAADは検出および診断性能の両面で現在最先端のベースライン法の大部分を超えていることが確認された。
  論文  参考訳（メタデータ） (2023-02-17T06:59:45Z)
• Making Reconstruction-based Method Great Again for Video Anomaly Detection [64.19326819088563]
  ビデオの異常検出は重要な問題だが、難しい問題だ。 既存の再構成に基づく手法は、昔ながらの畳み込みオートエンコーダに依存している。 連続フレーム再構築のための新しいオートエンコーダモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-28T01:57:57Z)
• Adaptive Memory Networks with Self-supervised Learning for Unsupervised Anomaly Detection [54.76993389109327]
  教師なし異常検出は、通常のデータのみをトレーニングすることで、目に見えない異常を検出するモデルを構築することを目的としている。 本稿では,これらの課題に対処するために,自己教師付き学習(AMSL)を用いた適応記憶ネットワーク(Adaptive Memory Network)を提案する。 AMSLには、一般的な正規パターンを学ぶための自己教師付き学習モジュールと、リッチな特徴表現を学ぶための適応型メモリ融合モジュールが組み込まれている。
  論文  参考訳（メタデータ） (2022-01-03T03:40:21Z)
• DeepFIB: Self-Imputation for Time Series Anomaly Detection [5.4921159672644775]
  時系列異常検出(AD)は、金融および医療監視における不正検出など、様々な応用において重要な役割を果たす。 時系列におけるADのための新しい自己教師型学習手法,すなわちemphDeepFIBを提案する。 我々は、DeepFIBが最先端の手法を大きなマージンで上回り、F1スコアの相対的な改善を65.2%まで達成していることを示す。
  論文  参考訳（メタデータ） (2021-12-12T14:28:06Z)
• Improved Prediction and Network Estimation Using the Monotone Single Index Multi-variate Autoregressive Model [34.529641317832024]
  単調単一指数多変量自己回帰モデル(SIMAM)に基づく半パラメトリックアプローチを開発する。 我々は、従属データに対する理論的保証と、交互に投影される勾配降下アルゴリズムを提供する。 シミュレーションデータと2つの実データ例において,優れた性能を示す。
  論文  参考訳（メタデータ） (2021-06-28T12:32:29Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。