論文の概要: Temporal cross-validation impacts multivariate time series subsequence anomaly detection evaluation

• arxiv url: http://arxiv.org/abs/2506.12183v1
• Date: Fri, 13 Jun 2025 19:14:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:45.386209
• Title: Temporal cross-validation impacts multivariate time series subsequence anomaly detection evaluation
• Title（参考訳）: 多変量時系列サブシーケンス異常検出評価における時間的クロスバリデーションの影響
• Authors: Steven C. Hespeler, Pablo Moriano, Mingyan Li, Samuel C. Hollifield,
• Abstract要約: 時系列クロスバリデーション (TSCV) 技術は, モデル評価中の時間秩序を維持することを目的としている。 本研究は,MTSデータセットの故障様異常を検出する訓練を行った分類器の精度・リコール特性に及ぼすTSCV戦略の影響を系統的に検討する。
• 参考スコア（独自算出の注目度）: 3.43058724483837
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Evaluating anomaly detection in multivariate time series (MTS) requires careful consideration of temporal dependencies, particularly when detecting subsequence anomalies common in fault detection scenarios. While time series cross-validation (TSCV) techniques aim to preserve temporal ordering during model evaluation, their impact on classifier performance remains underexplored. This study systematically investigates the effect of TSCV strategy on the precision-recall characteristics of classifiers trained to detect fault-like anomalies in MTS datasets. We compare walk-forward (WF) and sliding window (SW) methods across a range of validation partition configurations and classifier types, including shallow learners and deep learning (DL) classifiers. Results show that SW consistently yields higher median AUC-PR scores and reduced fold-to-fold performance variance, particularly for deep architectures sensitive to localized temporal continuity. Furthermore, we find that classifier generalization is sensitive to the number and structure of temporal partitions, with overlapping windows preserving fault signatures more effectively at lower fold counts. A classifier-level stratified analysis reveals that certain algorithms, such as random forests (RF), maintain stable performance across validation schemes, whereas others exhibit marked sensitivity. This study demonstrates that TSCV design in benchmarking anomaly detection models on streaming time series and provide guidance for selecting evaluation strategies in temporally structured learning environments.
• Abstract（参考訳）: 多変量時系列(MTS)における異常検出の評価には、特に障害検出シナリオに共通するサブシーケンス異常を検出する場合、時間的依存関係を慎重に考慮する必要がある。 時系列クロスバリデーション (TSCV) 技術は, モデル評価中の時間的順序を保つことを目的としているが, 分類器の性能への影響は未検討である。 本研究は,MTSデータセットの故障様異常を検出する訓練を行った分類器の精度・リコール特性に及ぼすTSCV戦略の影響を系統的に検討する。 我々は,浅層学習者や深層学習者(DL)分類者を含む,様々なバリデーションパーティション構成と分類器タイプを対象に,ウォーキングフォワード(WF)とスライディングウインドウ(SW)の手法を比較した。 その結果、SWは、特に局所的な時間的連続性に敏感な深層建築において、AUC-PRスコアの中央値と折り畳み性能のばらつきを連続的に減少させることがわかった。 さらに,分類器の一般化は時間分割の個数や構造に敏感であり,重なり合うウィンドウは低い折りたたみ数でより効果的に故障シグネチャを保存する。 分類器レベルの階層化分析では、ランダムフォレスト(RF)のような特定のアルゴリズムがバリデーションスキーム間で安定した性能を維持しているのに対し、他のアルゴリズムは顕著な感度を示した。 本研究では,ストリーミング時系列上での異常検出モデルのベンチマークにおけるTSCV設計を実証し,時間的構造化学習環境における評価戦略を選択するためのガイダンスを提供する。

関連論文リスト

• FreRA: A Frequency-Refined Augmentation for Contrastive Learning on Time Series Classification [56.925103708982164]
  周波数領域からの新たな視点を示し、ダウンストリーム分類の利点として、グローバル、独立、コンパクトの3つを識別する。 本稿では,分類タスクにおける時系列のコントラスト学習に適した,軽量で効果的な周波数補充拡張(FreRA)を提案する。 FreRAは、時系列分類、異常検出、転送学習タスクにおいて、常に10つの主要なベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-05-29T07:18:28Z)
• 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)
• 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)
• Classification of Anomalies in Telecommunication Network KPI Time Series [1.2937020918620652]
  本稿では,ネットワーク異常に対するモジュール型異常分類フレームワークを提案する。 このフレームワークは、異常検出と検出器の別個のエンティティを仮定し、時系列上の異常検出と分類タスクを別々に扱うことができる。 本研究は,実世界のネットワークデータに適用した場合に,シミュレーションされた異常に基づいて学習した異常分類モデルの優れた性能を実証した。
  論文  参考訳（メタデータ） (2023-08-30T19:13:10Z)
• 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)
• An Evaluation of Anomaly Detection and Diagnosis in Multivariate Time Series [7.675917669905486]
  本稿では,異常検出・診断のための教師なし・半教師付き深層学習手法の体系的・包括的評価について述べる。 我々は、10のモデルと4のスコアリング関数のグリッドを通して、モデルエラーのモデルと後処理を変え、これらの変種を最先端の手法と比較する。 既存の評価指標は、事象を考慮に入れていないか、良い検知器と自明な検出器を区別できないかのどちらかである。
  論文  参考訳（メタデータ） (2021-09-23T15:14:24Z)
• Weakly Supervised Temporal Anomaly Segmentation with Dynamic Time Warping [23.829072352059953]
  本稿では,入力インスタンス内の異常時間セグメントを効果的に識別する新しいフレームワークであるWETASを提案する。 WETASは時間的異常の局所化という点で他のベースラインよりもかなり優れていることを示す。
  論文  参考訳（メタデータ） (2021-08-15T21:22:06Z)
• Classification of multivariate weakly-labelled time-series with attention [0.0]
  弱いラベル付き時系列は、ノイズと重大な冗長性を含む時系列である。 本稿では,サブシーケンスの文脈関連を活用し,分類精度を向上させる手法を提案する。
  論文  参考訳（メタデータ） (2021-02-16T16:05:38Z)

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。