論文の概要: TAB: Unified Benchmarking of Time Series Anomaly Detection Methods

• arxiv url: http://arxiv.org/abs/2506.18046v1
• Date: Sun, 22 Jun 2025 14:19:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.718287
• Title: TAB: Unified Benchmarking of Time Series Anomaly Detection Methods
• Title（参考訳）: TAB:時系列異常検出法の統一ベンチマーク
• Authors: Xiangfei Qiu, Zhe Li, Wanghui Qiu, Shiyan Hu, Lekui Zhou, Xingjian Wu, Zhengyu Li, Chenjuan Guo, Aoying Zhou, Zhenli Sheng, Jilin Hu, Christian S. Jensen, Bin Yang,
• Abstract要約: 時系列異常検出(TSAD)は、金融、交通、医療など多くの分野で重要な役割を果たしている。 我々はTABと呼ばれる新しい時系列異常検出ベンチマークを提案する。
• 参考スコア（独自算出の注目度）: 30.95339040034454
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Time series anomaly detection (TSAD) plays an important role in many domains such as finance, transportation, and healthcare. With the ongoing instrumentation of reality, more time series data will be available, leading also to growing demands for TSAD. While many TSAD methods already exist, new and better methods are still desirable. However, effective progress hinges on the availability of reliable means of evaluating new methods and comparing them with existing methods. We address deficiencies in current evaluation procedures related to datasets and experimental settings and protocols. Specifically, we propose a new time series anomaly detection benchmark, called TAB. First, TAB encompasses 29 public multivariate datasets and 1,635 univariate time series from different domains to facilitate more comprehensive evaluations on diverse datasets. Second, TAB covers a variety of TSAD methods, including Non-learning, Machine learning, Deep learning, LLM-based, and Time-series pre-trained methods. Third, TAB features a unified and automated evaluation pipeline that enables fair and easy evaluation of TSAD methods. Finally, we employ TAB to evaluate existing TSAD methods and report on the outcomes, thereby offering a deeper insight into the performance of these methods. Besides, all datasets and code are available at https://github.com/decisionintelligence/TAB.
• Abstract（参考訳）: 時系列異常検出(TSAD)は、金融、交通、医療など多くの分野で重要な役割を果たしている。 現実の計測が進行中であることにより、より多くの時系列データが利用可能になり、TSADの需要も増大する。 多くのTSADメソッドがすでに存在するが、新しいより良いメソッドは依然として望ましい。 しかし、有効な進歩は、新しい手法を評価し、それらを既存の方法と比較する信頼性の高い手段の可用性にかかっている。 我々は、データセットや実験的な設定、プロトコルに関連する現在の評価手順の欠陥に対処する。 具体的には,TABと呼ばれる時系列異常検出ベンチマークを提案する。 まず、TABは29のパブリックな多変量データセットと1,635の単変量時系列を含み、多様なデータセットに対するより包括的な評価を容易にする。 第2に、TABは非学習、機械学習、ディープラーニング、LLMベースの、事前訓練された時系列メソッドなど、様々なTSADメソッドをカバーしている。 第3に、TABはTSADメソッドの公平かつ簡易な評価を可能にする統合された自動評価パイプラインを備えている。 最後に,TABを用いて既存のTSAD手法を評価し,その結果を報告する。 さらに、すべてのデータセットとコードはhttps://github.com/decisionintelligence/TABで利用可能である。

関連論文リスト

• OpenTAD: A Unified Framework and Comprehensive Study of Temporal Action Detection [86.30994231610651]
  時間的行動検出(TAD)は、人間の行動を特定し、その時間的境界を動画内でローカライズすることを目的とした、基本的なビデオ理解タスクである。 我々は16種類のTADメソッドと9つの標準データセットをモジュール化したTADフレームワークであるtextbfOpenTADを提案する。 1つのモジュールを別の設計で置き換える、フィーチャベースのTADモデルをエンドツーエンドモードでトレーニングする、あるいは2つのモジュールを切り替える、という最小限の労力が必要になります。
  論文  参考訳（メタデータ） (2025-02-27T18:32:27Z)
• A New Perspective on Time Series Anomaly Detection: Faster Patch-based Broad Learning System [59.38402187365612]
  時系列異常検出(TSAD)は近年,学術と産業の両方においてホットスポットとなっている。 TSADでは、ディープラーニングの速度が遅いなどの制限のため、ディープラーニングは必須ではない。 コントラスト型パッチベースブロードラーニングシステム(CBLS)を提案する。
  論文  参考訳（メタデータ） (2024-12-07T01:58:18Z)
• Active Test-Time Adaptation: Theoretical Analyses and An Algorithm [51.84691955495693]
  テスト時間適応(TTA)は、教師なし設定でストリーミングテストデータの分散シフトに対処する。 完全TTA設定内に能動学習を統合する能動テスト時間適応(ATTA)の新たな問題設定を提案する。
  論文  参考訳（メタデータ） (2024-04-07T22:31:34Z)
• TFB: Towards Comprehensive and Fair Benchmarking of Time Series Forecasting Methods [27.473935782550388]
  時系列は、経済、交通、健康、エネルギーといった様々な領域で生成される。 本稿では,時系列予測(TSF)手法の自動ベンチマークであるTFBを提案する。
  論文  参考訳（メタデータ） (2024-03-29T12:37:57Z)
• ActiveAD: Planning-Oriented Active Learning for End-to-End Autonomous Driving [96.92499034935466]
  自動運転のためのエンドツーエンドの差別化学習は、最近顕著なパラダイムになっている。 第一のボトルネックは、高品質なラベル付きデータに対する大胆な欲求にある。 収集した生データの一部を段階的に注釈付けする計画指向のアクティブラーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-03-05T11:39:07Z)
• On Pitfalls of Test-Time Adaptation [82.8392232222119]
  TTA(Test-Time Adaptation)は、分散シフトの下で堅牢性に取り組むための有望なアプローチとして登場した。 TTABは,10の最先端アルゴリズム,多種多様な分散シフト,および2つの評価プロトコルを含むテスト時間適応ベンチマークである。
  論文  参考訳（メタデータ） (2023-06-06T09:35:29Z)
• Regularized Bilinear Discriminant Analysis for Multivariate Time Series Data [5.198140836737883]
  MTSデータ分類のための正規化BLDA(RBLDA)を提案する。 RBLDAの効率的な実装と効率的なモデル選択アルゴリズムを開発する。 その結果,RBLDAの認識性能は最高のものとなり,モデル選択アルゴリズムが効率的であることが判明した。
  論文  参考訳（メタデータ） (2022-02-26T17:06:01Z)
• TSDAE: Using Transformer-based Sequential Denoising Auto-Encoder for Unsupervised Sentence Embedding Learning [53.32740707197856]
  TSDAE(Sequential Denoising Auto-Encoder)を用いた最新の非監視方式を提案する。 ドメイン内の監視されたアプローチのパフォーマンスの93.1%を達成することができる。
  論文  参考訳（メタデータ） (2021-04-14T17:02:18Z)

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。