論文の概要: Causality-Aware Contrastive Learning for Robust Multivariate Time-Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2506.03964v1
• Date: Wed, 04 Jun 2025 13:57:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:14.364297
• Title: Causality-Aware Contrastive Learning for Robust Multivariate Time-Series Anomaly Detection
• Title（参考訳）: ロバストな多変量時系列異常検出のための因果性を考慮したコントラスト学習
• Authors: HyunGi Kim, Jisoo Mok, Dongjun Lee, Jaihyun Lew, Sungjae Kim, Sungroh Yoon,
• Abstract要約: 本稿では, RObust Multivariate Time-Series (CAROTS) における因果性を考慮したコントラスト学習を提案する。 CAROTSは2つのデータ拡張器を用いて因果保存と乱れのサンプルを取得し、様々な正常な変種や合成異常として機能する。 CAROTSは因果保存と乱れのサンプルを正と負とすることで、因果性に基づいて正常と異常なサンプルを分離したエンコーダを訓練する対照的な学習を行う。
• 参考スコア（独自算出の注目度）: 39.049577655194746
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Utilizing the complex inter-variable causal relationships within multivariate time-series provides a promising avenue toward more robust and reliable multivariate time-series anomaly detection (MTSAD) but remains an underexplored area of research. This paper proposes Causality-Aware contrastive learning for RObust multivariate Time-Series (CAROTS), a novel MTSAD pipeline that incorporates the notion of causality into contrastive learning. CAROTS employs two data augmentors to obtain causality-preserving and -disturbing samples that serve as a wide range of normal variations and synthetic anomalies, respectively. With causality-preserving and -disturbing samples as positives and negatives, CAROTS performs contrastive learning to train an encoder whose latent space separates normal and abnormal samples based on causality. Moreover, CAROTS introduces a similarity-filtered one-class contrastive loss that encourages the contrastive learning process to gradually incorporate more semantically diverse samples with common causal relationships. Extensive experiments on five real-world and two synthetic datasets validate that the integration of causal relationships endows CAROTS with improved MTSAD capabilities. The code is available at https://github.com/kimanki/CAROTS.
• Abstract（参考訳）: 多変量時系列内の複雑な変数間因果関係を利用することで、より堅牢で信頼性の高い多変量時系列異常検出(MTSAD)への有望な道筋を提供するが、まだ探索されていない研究領域である。 本稿では, RObust Multivariate Time-Series (CAROTS) に対する因果性を考慮したコントラスト学習を提案し, 因果性の概念をコントラスト学習に取り入れた新しいMTSADパイプラインを提案する。 CAROTSは因果保存のための2つのデータ拡張器と、様々な正常な変種と合成異常として機能する破壊サンプルをそれぞれ得る。 CAROTSは因果保存と乱れのサンプルを正と負とすることで、因果性に基づいて正常と異常なサンプルを分離したエンコーダを訓練する対照的な学習を行う。 さらに、CAROTSは類似性フィルタリングされた一級のコントラスト損失を導入し、コントラスト学習プロセスが共通の因果関係を持つより意味的に多様なサンプルを徐々に組み込むように促している。 5つの実世界と2つの合成データセットに関する大規模な実験は、因果関係の統合がCAROTSにMTSAD機能の改善をもたらすことを証明した。 コードはhttps://github.com/kimanki/CAROTS.comで公開されている。

関連論文リスト

• DConAD: A Differencing-based Contrastive Representation Learning Framework for Time Series Anomaly Detection [12.658792855097198]
  時系列異常は、さまざまなアプリケーション領域にわたるリスク識別と障害検出において重要な役割を担っている。 ラベルが不要なため,教師なし学習手法が普及している。 時系列異常検出のための差分型コントラスト表現学習フレームワーク(DConAD)を提案する。
  論文  参考訳（メタデータ） (2025-04-19T06:35:06Z)
• Multivariate Time Series Anomaly Detection by Capturing Coarse-Grained Intra- and Inter-Variate Dependencies [14.784236273395017]
  我々は,新しい半教師付き多変量時系列異常検出手法であるMuntsCIDを紹介する。 MtsCID は最先端のベンチマーク手法に匹敵する性能または優れた性能を達成できることを示す。
  論文  参考訳（メタデータ） (2025-01-22T05:53:12Z)
• MTSCI: A Conditional Diffusion Model for Multivariate Time Series Consistent Imputation [41.681869408967586]
  主要な研究課題は、どのようにインパルスの整合性を確保するか、すなわち観測値とインパルス値の整合性を確保するかである。 従来の手法は、学習プロセスを導くために、計算対象の帰納的バイアスにのみ依存する。
  論文  参考訳（メタデータ） (2024-08-11T10:24:53Z)
• Mitigating Shortcut Learning with Diffusion Counterfactuals and Diverse Ensembles [104.60508550106618]
  拡散確率モデル(DPM)を利用したアンサンブル多様化フレームワークDiffDivを提案する。 DPMは、相関した入力特徴を示すサンプルを用いて訓練しても、新しい特徴の組み合わせで画像を生成することができることを示す。 そこで本研究では,DPM誘導の多様化は,教師付き信号の追加を必要とせず,ショートカットキューへの依存を取り除くのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-11-23T15:47:33Z)
• Graph-Aware Contrasting for Multivariate Time-Series Classification [50.84488941336865]
  既存のコントラスト学習手法は主に、時間的拡張とコントラスト技術による時間的一貫性を達成することに焦点を当てている。 MTSデータ間の空間的整合性を考慮したグラフ認識コントラストを提案する。 提案手法は,様々なMSS分類タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-09-11T02:35:22Z)
• 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)
• Cross-Attention is Not Enough: Incongruity-Aware Dynamic Hierarchical Fusion for Multimodal Affect Recognition [69.32305810128994]
  モダリティ間の同調性は、特に認知に影響を及ぼすマルチモーダル融合の課題となる。 本稿では,動的モダリティゲーティング(HCT-DMG)を用いた階層型クロスモーダルトランスを提案する。 HCT-DMG: 1) 従来のマルチモーダルモデルを約0.8Mパラメータで上回り、2) 不整合が認識に影響を及ぼすハードサンプルを認識し、3) 潜在レベルの非整合性をクロスモーダルアテンションで緩和する。
  論文  参考訳（メタデータ） (2023-05-23T01:24:15Z)
• Harnessing Contrastive Learning and Neural Transformation for Time Series Anomaly Detection [0.0]
  時系列異常検出(TSAD)は多くの産業応用において重要な役割を担っている。 コントラスト学習は、ラベルのないデータから意味のある表現を抽出する過程において、時系列領域で勢いを増している。 本研究では,学習可能な変換で強化されたウィンドウベースのコントラスト学習戦略を取り入れた新しいアプローチであるCNTを提案する。
  論文  参考訳（メタデータ） (2023-04-16T21:36:19Z)

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。