論文の概要: Robust and Explainable Detector of Time Series Anomaly via Augmenting Multiclass Pseudo-Anomalies

• arxiv url: http://arxiv.org/abs/2505.20765v1
• Date: Tue, 27 May 2025 06:13:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.441398
• Title: Robust and Explainable Detector of Time Series Anomaly via Augmenting Multiclass Pseudo-Anomalies
• Title（参考訳）: 多クラス擬似異常の増大による時系列異常のロバストかつ説明可能な検出
• Authors: Kohei Obata, Yasuko Matsubara, Yasushi Sakurai,
• Abstract要約: 時系列における教師なし異常検出は、何十年にもわたって重要な研究領域であった。 近年の研究では、データ拡張を用いて擬似アノマリーを生成し、トレーニングサンプルと強化サンプルを分離する境界を学習している。 マルチクラスの擬似アノマリーを生成するために多様なデータ拡張を利用するRedLampを提案する。
• 参考スコア（独自算出の注目度）: 6.305808040903836
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised anomaly detection in time series has been a pivotal research area for decades. Current mainstream approaches focus on learning normality, on the assumption that all or most of the samples in the training set are normal. However, anomalies in the training set (i.e., anomaly contamination) can be misleading. Recent studies employ data augmentation to generate pseudo-anomalies and learn the boundary separating the training samples from the augmented samples. Although this approach mitigates anomaly contamination if augmented samples mimic unseen real anomalies, it suffers from several limitations. (1) Covering a wide range of time series anomalies is challenging. (2) It disregards augmented samples that resemble normal samples (i.e., false anomalies). (3) It places too much trust in the labels of training and augmented samples. In response, we propose RedLamp, which employs diverse data augmentations to generate multiclass pseudo-anomalies and learns the multiclass boundary. Such multiclass pseudo-anomalies cover a wide variety of time series anomalies. We conduct multiclass classification using soft labels, which prevents the model from being overconfident and ensures its robustness against contaminated/false anomalies. The learned latent space is inherently explainable as it is trained to separate pseudo-anomalies into multiclasses. Extensive experiments demonstrate the effectiveness of RedLamp in anomaly detection and its robustness against anomaly contamination.
• Abstract（参考訳）: 時系列における教師なし異常検出は、何十年にもわたって重要な研究領域であった。 現在の主流のアプローチは、トレーニングセットのすべてのまたはほとんどのサンプルが正常であるという仮定に基づいて、正規性を学ぶことに焦点を当てている。 しかし、トレーニングセットの異常(すなわち異常汚染)は誤解を招く可能性がある。 近年の研究では、データ拡張を用いて擬似アノマリーを生成し、トレーニングサンプルと強化サンプルを分離する境界を学習している。 このアプローチは、強化されたサンプルが見えない実際の異常を模倣した場合、異常な汚染を緩和するが、いくつかの制限に悩まされる。 1)広範囲の時系列異常をカバーすることは困難である。 2)正常なサンプル(偽異常)に類似した拡張サンプルは無視する。 (3) トレーニングや強化サンプルのラベルへの信頼度が高すぎる。 そこで我々はRedLampを提案する。RedLampは多クラス擬似アノマリーを生成するために多種多様なデータ拡張を利用し、多クラス境界を学習する。 このような擬似異常は、様々な時系列異常をカバーしている。 ソフトラベルを用いたマルチクラス分類を行い、モデルが過信されることを防止し、汚染/偽異常に対する堅牢性を確保する。 学習された潜在空間は、擬似アノマリーをマルチクラスに分離するように訓練されているため、本質的に説明可能である。 過剰な実験は、異常検出におけるRedLampの有効性と、異常汚染に対する堅牢性を示す。

関連論文リスト

• KKA: Improving Vision Anomaly Detection through Anomaly-related Knowledge from Large Language Models [54.63075553088399]
  Key Knowledge Augmentation (KKA)は,大規模言語モデル(LLM)から異常関連知識を抽出する手法である。 KKAは、生成した異常を、通常のサンプルと類似性に応じて、容易な異常と硬い異常と分類する。 実験の結果,提案手法は様々な視覚異常検出器の性能を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2025-02-14T07:46:49Z)
• On The Relationship between Visual Anomaly-free and Anomalous Representations [0.0]
  異常検出はコンピュータビジョンにおいて重要な問題であり、様々な現実の応用がある。 本稿では,本研究の要旨として,正規サンプルの異常のない視覚パターンの空間が,クラス固有の異常サンプルの様々な異常パターンの空間とよく相関していることを示す。
  論文  参考訳（メタデータ） (2024-10-09T06:18:53Z)
• Anomaly Detection by Context Contrasting [57.695202846009714]
  異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。 近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。 我々はコンテキスト拡張を通じて学習するCon$を提案する。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Calibrated One-class Classification for Unsupervised Time Series Anomaly Detection [27.15951068292889]
  本稿では,異常検出のための一級分類を提案する。 データの正規性の汚染耐性、異常なインフォームド学習を実現する。 我々のモデルは16人の最先端の競争者に対して大幅な改善を達成している。
  論文  参考訳（メタデータ） (2022-07-25T13:43:13Z)
• Augment to Detect Anomalies with Continuous Labelling [10.646747658653785]
  異常検出は、トレーニング観察と何らかの点で異なるサンプルを認識することである。 最近の最先端のディープラーニングに基づく異常検出手法は、計算コスト、複雑さ、不安定な訓練手順、非自明な実装に悩まされている。 我々は、軽量な畳み込みニューラルネットワークを訓練し、異常検出における最先端の性能に到達するための単純な学習手順を活用する。
  論文  参考訳（メタデータ） (2022-07-03T20:11:51Z)
• Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection [90.32910087103744]
  ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。 これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。 トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。 本稿では,オープンセット型教師付き異常検出に取り組む。
  論文  参考訳（メタデータ） (2022-03-28T05:21:37Z)

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。