論文の概要: xLSTMAD: A Powerful xLSTM-based Method for Anomaly Detection

• arxiv url: http://arxiv.org/abs/2506.22837v1
• Date: Sat, 28 Jun 2025 10:39:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.595238
• Title: xLSTMAD: A Powerful xLSTM-based Method for Anomaly Detection
• Title（参考訳）: xLSTMAD: 異常検出のための強力なxLSTMベースの方法
• Authors: Kamil Faber, Marcin Pietroń, Dominik Żurek, Roberto Corizzo,
• Abstract要約: フルエンコーダ・デコーダxLSTMアーキテクチャを統合した最初の異常検出手法であるxLSTMADを提案する。 実世界の17のデータセットにまたがる包括的TSB-AD-Mベンチマークを用いて,本手法の評価を行った。 以上の結果から、xLSTMは最先端の精度を示し、23の異常検出基準を上回りました。
• 参考スコア（独自算出の注目度）: 0.794682109939797
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The recently proposed xLSTM is a powerful model that leverages expressive multiplicative gating and residual connections, providing the temporal capacity needed for long-horizon forecasting and representation learning. This architecture has demonstrated success in time series forecasting, lossless compression, and even large-scale language modeling tasks, where its linear memory footprint and fast inference make it a viable alternative to Transformers. Despite its growing popularity, no prior work has explored xLSTM for anomaly detection. In this work, we fill this gap by proposing xLSTMAD, the first anomaly detection method that integrates a full encoder-decoder xLSTM architecture, purpose-built for multivariate time series data. Our encoder processes input sequences to capture historical context, while the decoder is devised in two separate variants of the method. In the forecasting approach, the decoder iteratively generates forecasted future values xLSTMAD-F, while the reconstruction approach reconstructs the input time series from its encoded counterpart xLSTMAD-R. We investigate the performance of two loss functions: Mean Squared Error (MSE), and Soft Dynamic Time Warping (SoftDTW) to consider local reconstruction fidelity and global sequence alignment, respectively. We evaluate our method on the comprehensive TSB-AD-M benchmark, which spans 17 real-world datasets, using state-of-the-art challenging metrics such as VUS-PR. In our results, xLSTM showcases state-of-the-art accuracy, outperforming 23 popular anomaly detection baselines. Our paper is the first work revealing the powerful modeling capabilities of xLSTM for anomaly detection, paving the way for exciting new developments on this subject. Our code is available at: https://github.com/Nyderx/xlstmad
• Abstract（参考訳）: 最近提案されたxLSTMは、表現的乗法ゲーティングと残差接続を利用する強力なモデルであり、長期の予測と表現学習に必要な時間的キャパシティを提供する。 このアーキテクチャは、時系列予測、ロスレス圧縮、さらには大規模な言語モデリングタスクでも成功し、線形メモリフットプリントと高速推論によってトランスフォーマーの代替となる。 人気が高まっているにもかかわらず、xLSTMの異常検出に関する先行研究は行われていない。 本研究では,マルチ変数時系列データを対象としたフルエンコーダ・デコーダxLSTMアーキテクチャを統合した最初の異常検出手法であるxLSTMADを提案することで,このギャップを埋める。 我々のエンコーダは入力シーケンスを処理し、歴史的コンテキストをキャプチャし、デコーダは2つの異なる方法で考案される。 予測手法では、デコーダは予測された将来値xLSTMAD-Fを反復的に生成し、再構成手法は符号化されたxLSTMAD-Rから入力時系列を再構成する。 局所的再構成の忠実度と大域的シーケンスアライメントを検討するために,平均二乗誤差(MSE)とソフトダイナミック時間ワープ(SoftDTW)の2つの損失関数の性能について検討した。 VUS-PRのような最先端の課題メトリクスを用いて、17の実世界のデータセットにまたがる包括的TSB-AD-Mベンチマークの評価を行った。 以上の結果から、xLSTMは最先端の精度を示し、23の異常検出基準を上回りました。 本論文は、異常検出のためのxLSTMの強力なモデリング能力を明らかにするための最初の研究であり、本研究におけるエキサイティングな新展開の道を開くものである。 私たちのコードは、https://github.com/Nyderx/xlstmad.comで利用可能です。

関連論文リスト

• MAWIFlow Benchmark: Realistic Flow-Based Evaluation for Network Intrusion Detection [47.86433139298671]
  本稿では,MAWILAB v1.1データセットから得られたフローベースベンチマークであるMAWIFlowを紹介する。 得られたデータセットは、2011年1月、2016年、2021年に太平洋横断のバックボーンのトラフィックから引き出された、時間的に異なるサンプルで構成されている。 決定木、ランダムフォレスト、XGBoost、ロジスティック回帰を含む伝統的な機械学習手法は、CNN-BiLSTMアーキテクチャに基づいたディープラーニングモデルと比較される。
  論文  参考訳（メタデータ） (2025-06-20T14:51:35Z)
• SIGMA:Sinkhorn-Guided Masked Video Modeling [69.31715194419091]
  SIGMA (Sinkhorn-guided Masked Video Modelling) は、新しいビデオ事前学習法である。 時空管の特徴を,限られた数の学習可能なクラスタに均等に分散する。 10個のデータセットによる実験結果から,より高性能で時間的,堅牢な映像表現を学習する上で,SIGMAの有効性が検証された。
  論文  参考訳（メタデータ） (2024-07-22T08:04:09Z)
• Sports-Traj: A Unified Trajectory Generation Model for Multi-Agent Movement in Sports [53.637837706712794]
  任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。 具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを紹介する。 バスケットボールU,サッカーU,サッカーUの3つの実践的スポーツデータセットをベンチマークして評価を行った。
  論文  参考訳（メタデータ） (2024-05-27T22:15:23Z)
• Revealing the Power of Masked Autoencoders in Traffic Forecasting [16.69508205120188]
  本稿では,交通予測における既存の時空間モデルを強化するためのプラグイン・アンド・プレイ・フレームワークを提案する。 STMAEは2つの学習段階から構成されており、事前学習段階では、エンコーダが2つのマスキング戦略によって生成された部分的に可視なトラフィックデータを処理している。 2つのデコーダは,空間的,時間的両面からマスクを復元することを目的としている。 トラフィックベンチマークの結果から,STMAEは様々な時空間モデルの予測能力を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2023-09-26T18:05:19Z)
• A Novel Method Combines Moving Fronts, Data Decomposition and Deep Learning to Forecast Intricate Time Series [0.0]
  インド・サマーモンスーン・レインフォール(英語: Indian Summer Monsoon Rainfall、ISMR)は、インドの都市。 従来のワンタイム分解技術は、未来からの情報が漏れることに悩まされている。 データ漏洩を防止するために移動フロント(MF)法を提案する。
  論文  参考訳（メタデータ） (2023-03-11T12:07:26Z)
• Quantile LSTM: A Robust LSTM for Anomaly Detection In Time Series Data [0.0]
  我々は、時間的長期依存性をモデル化するために、人気のあるLong Short Term Memory Network (LSTM) アーキテクチャで新しい学習可能なアクティベーション関数を使用する。 提案アルゴリズムは、分離フォレスト(iForest)、楕円エンベロープ、オートエンコーダ、およびDeep Autoencoding Gaussian Mixture Model (DAGMM)、Generative Adversarial Networks (GAN)のような現代のディープラーニングモデルなど、他のよく知られた異常検出アルゴリズムと比較される。 このアルゴリズムは、Yahoo、AWS、GE、マシンセンサーなど、複数の産業時系列データセットでテストされている。
  論文  参考訳（メタデータ） (2023-02-17T06:03:16Z)
• Joint Spatial-Temporal and Appearance Modeling with Transformer for Multiple Object Tracking [59.79252390626194]
  本稿ではTransSTAMという新しい手法を提案する。Transformerを利用して各オブジェクトの外観特徴とオブジェクト間の空間的時間的関係の両方をモデル化する。 提案手法はMOT16, MOT17, MOT20を含む複数の公開ベンチマークで評価され, IDF1とHOTAの両方で明確な性能向上を実現している。
  論文  参考訳（メタデータ） (2022-05-31T01:19:18Z)
• Deep Generative model with Hierarchical Latent Factors for Time Series Anomaly Detection [40.21502451136054]
  本研究は、時系列異常検出のための新しい生成モデルであるDGHLを提示する。 トップダウンの畳み込みネットワークは、新しい階層的な潜在空間を時系列ウィンドウにマッピングし、時間ダイナミクスを利用して情報を効率的にエンコードする。 提案手法は,4つのベンチマーク・データセットにおいて,現在の最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-02-15T17:19:44Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Unsupervised Online Anomaly Detection On Irregularly Sampled Or Missing Valued Time-Series Data Using LSTM Networks [0.0]
  異常検出について検討し,変長,不規則なサンプルシーケンス,あるいは欠落した値を含むシーケンスを処理するアルゴリズムを提案する。 しかし,本アルゴリズムは完全に教師なしであり,教師付きあるいは半教師付きケースに容易に拡張できる。
  論文  参考訳（メタデータ） (2020-05-25T09:41:04Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。