論文の概要: FreCT: Frequency-augmented Convolutional Transformer for Robust Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2505.00941v1
• Date: Fri, 02 May 2025 00:56:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-05 17:21:19.87794
• Title: FreCT: Frequency-augmented Convolutional Transformer for Robust Time Series Anomaly Detection
• Title（参考訳）: FreCT:ロバスト時系列異常検出のための周波数拡張畳み込み変換器
• Authors: Wenxin Zhang, Ding Xu, Guangzhen Yao, Xiaojian Lin, Renxiang Guan, Chengze Du, Renda Han, Xi Xuan, Cuicui Luo,
• Abstract要約: 時系列異常検出はシステム監視とリスク識別に重要である。 周波数拡張畳み込み変換器(FreCT)を提案する。 FreCTはパッチ操作を利用してコントラストビューを生成し、コンボリューションモジュールと統合された改良されたTransformerアーキテクチャを採用している。
• 参考スコア（独自算出の注目度）: 8.779286654383796
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series anomaly detection is critical for system monitoring and risk identification, across various domains, such as finance and healthcare. However, for most reconstruction-based approaches, detecting anomalies remains a challenge due to the complexity of sequential patterns in time series data. On the one hand, reconstruction-based techniques are susceptible to computational deviation stemming from anomalies, which can lead to impure representations of normal sequence patterns. On the other hand, they often focus on the time-domain dependencies of time series, while ignoring the alignment of frequency information beyond the time domain. To address these challenges, we propose a novel Frequency-augmented Convolutional Transformer (FreCT). FreCT utilizes patch operations to generate contrastive views and employs an improved Transformer architecture integrated with a convolution module to capture long-term dependencies while preserving local topology information. The introduced frequency analysis based on Fourier transformation could enhance the model's ability to capture crucial characteristics beyond the time domain. To protect the training quality from anomalies and improve the robustness, FreCT deploys stop-gradient Kullback-Leibler (KL) divergence and absolute error to optimize consistency information in both time and frequency domains. Extensive experiments on four public datasets demonstrate that FreCT outperforms existing methods in identifying anomalies.
• Abstract（参考訳）: 時系列異常検出は、ファイナンスやヘルスケアなど、さまざまな領域にわたるシステム監視とリスク識別に不可欠である。 しかし、ほとんどの再構成に基づくアプローチでは、時系列データにおける逐次パターンの複雑さのため、異常の検出は依然として困難である。 一方、再構成に基づく手法は異常に起因する計算偏差の影響を受けやすいため、通常のシーケンスパターンの不純な表現につながる可能性がある。 一方、時間領域を超えた周波数情報のアライメントを無視しながら、しばしば時系列の時間領域依存性に焦点を当てます。 これらの課題に対処するために、新しい周波数拡張畳み込み変換器(FreCT)を提案する。 FreCTはパッチ操作を使用してコントラストビューを生成し、改善されたTransformerアーキテクチャを畳み込みモジュールに統合し、局所的なトポロジ情報を保持しながら長期的な依存関係をキャプチャする。 フーリエ変換に基づく周波数解析を導入することで、時間領域を超えて重要な特性を捉えることができる。 トレーニング品質を異常から保護し、堅牢性を改善するために、FreCTは停止段階のKullback-Leibler(KL)分散と絶対誤差をデプロイし、時間と周波数の両方の整合性情報を最適化する。 4つの公開データセットに対する大規模な実験は、FreCTが異常を識別する既存の手法よりも優れていることを示した。

関連論文リスト

• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• TSINR: Capturing Temporal Continuity via Implicit Neural Representations for Time Series Anomaly Detection [22.367552254229665]
  時系列異常検出は、データの異常なパターンや、システムの期待する振る舞いからの逸脱を特定することを目的としている。 このタスクでは、教師なし学習を通じてポイントワイド表現を学習するリコンストラクションベースの手法が主流である。 本稿では,暗黙的ニューラル表現(INR)再構成に基づく時系列異常検出手法TSINRを提案する。
  論文  参考訳（メタデータ） (2024-11-18T15:19:54Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• Diagnostic Spatio-temporal Transformer with Faithful Encoding [54.02712048973161]
  本稿では,データ生成プロセスが複合時間(ST)依存性を持つ場合の異常診断の課題について述べる。 我々は、ST依存を時系列分類の副産物として学習する、教師付き依存発見として問題を定式化する。 既存のST変圧器で使用される時間的位置符号化は、高周波数(短時間スケール)の周波数をキャプチャする重大な制限を有することを示す。 また、空間的および時間的方向の両方で容易に消費可能な診断情報を提供する新しいST依存性発見フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-26T05:31:23Z)
• A Joint Time-frequency Domain Transformer for Multivariate Time Series Forecasting [7.501660339993144]
  本稿では、JTFT(Joint Time-Frequency Domain Transformer)を紹介する。 JTFTは時間と周波数領域の表現を組み合わせて予測を行う。 6つの実世界のデータセットの実験結果から、JTFTは予測性能において最先端のベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2023-05-24T02:37:23Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• TFAD: A Decomposition Time Series Anomaly Detection Architecture with Time-Frequency Analysis [12.867257563413972]
  時系列異常検出は、複雑な時間的依存と限られたラベルデータのために難しい問題である。 本稿では,時間領域と周波数領域の両方を利用した時間周波数解析に基づく時系列異常検出モデル(TFAD)を提案する。
  論文  参考訳（メタデータ） (2022-10-18T09:08:57Z)
• 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。