論文の概要: When Will It Fail?: Anomaly to Prompt for Forecasting Future Anomalies in Time Series

• arxiv url: http://arxiv.org/abs/2506.23596v1
• Date: Mon, 30 Jun 2025 08:00:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.966001
• Title: When Will It Fail?: Anomaly to Prompt for Forecasting Future Anomalies in Time Series
• Title（参考訳）: いつ失敗するのか? - 時系列における将来の異常を予知するための異常-
• Authors: Min-Yeong Park, Won-Jeong Lee, Seong Tae Kim, Gyeong-Moon Park,
• Abstract要約: AAF(Anomaly-Aware Forecasting)とSAP(Synthetic Anomaly Prompting)を組み合わせたA2P(Anomaly to Prompt)という新しいフレームワークを提案する。 信号適応型プロンプトを用いた多彩な異常パターンをシミュレートした,学習可能な異常プロンプトプール(APP)を提案する。
• 参考スコア（独自算出の注目度）: 7.730249449109823
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recently, forecasting future abnormal events has emerged as an important scenario to tackle real-world necessities. However, the solution of predicting specific future time points when anomalies will occur, known as Anomaly Prediction (AP), remains under-explored. Existing methods dealing with time series data fail in AP, focusing only on immediate anomalies or failing to provide precise predictions for future anomalies. To address the AP task, we propose a novel framework called Anomaly to Prompt (A2P), comprised of Anomaly-Aware Forecasting (AAF) and Synthetic Anomaly Prompting (SAP). To enable the forecasting model to forecast abnormal time points, we adopt a strategy to learn the relationships of anomalies. For the robust detection of anomalies, our proposed SAP introduces a learnable Anomaly Prompt Pool (APP) that simulates diverse anomaly patterns using signal adaptive prompt. Comprehensive experiments on multiple real-world datasets demonstrate the superiority of A2P over state-of-the-art methods, showcasing its ability to predict future anomalies. Our implementation code is available at https://github.com/KU-VGI/AP.
• Abstract（参考訳）: 近年,将来的な異常事象の予測が,現実の必需品に対処するための重要なシナリオとして浮上している。 しかし、異常発生時の特定の将来の時刻を予測する解は、Anomaly Prediction (AP) として知られるが、まだ未探索のままである。 既存の時系列データを扱う方法はAPで失敗し、即時異常のみに焦点を当てたり、将来の異常を正確に予測することができない。 本稿では,AAF(Anomaly-Aware Forecasting)とSAP(Synthetic Anomaly Prompting)を組み合わせたA2P(Anomaly to Prompt)という新しいフレームワークを提案する。 予測モデルが異常点を予測できるようにするために,異常点の関係を学習するための戦略を採用する。 信号適応型プロンプトを用いた多彩な異常パターンをシミュレートした,学習可能な異常プロンプトプール(APP)を提案する。 複数の実世界のデータセットに関する包括的な実験は、最先端の手法よりもA2Pの方が優れていることを示し、将来の異常を予測する能力を示している。 実装コードはhttps://github.com/KU-VGI/APで公開しています。

関連論文リスト

• Anomaly Prediction: A Novel Approach with Explicit Delay and Horizon [1.8816077341295625]
  本稿では,時系列異常予測に時間的情報を直接組み込んだ新しい手法を提案する。 本研究は, 時間的, 正確な異常予測を行う上で, 提案手法の有効性を実証し, 今後の研究のための新しいベンチマークを設定した。
  論文  参考訳（メタデータ） (2024-08-08T11:22:52Z)
• A Practical Probabilistic Benchmark for AI Weather Models [0.7978324349017066]
  我々は、GraphCastとPanguの2つの主要なAI天気モデルが確率論的CRPSメトリクスに結びついていることを示す。 また、多くのデータ駆動気象モデルが採用している複数の時間-ステップ損失関数が、非生産的であることも明らかにした。
  論文  参考訳（メタデータ） (2024-01-27T05:53:16Z)
• Performative Time-Series Forecasting [64.03865043422597]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• AA-Forecast: Anomaly-Aware Forecast for Extreme Events [25.89754218631525]
  時系列モデルは、現実世界のデータセットでよく見られる極端なイベントや異常を扱うことが多い。 本稿では,これまで見られた異常の影響を利用して予測精度を向上する異常認識予測フレームワークを提案する。 特に、このフレームワークは自動で異常を抽出し、注意機構を通じてそれらを組み込んで、将来の極端な事象の正確性を高める。
  論文  参考訳（メタデータ） (2022-08-21T17:51:46Z)
• Multi-axis Attentive Prediction for Sparse EventData: An Application to Crime Prediction [16.654369376687296]
  本稿では,2つの観測角度による事象伝播の短期的ダイナミクスと長期的意味論の両方を抽出するための,純粋に注意的なアプローチを提案する。 提案したコントラスト学習目的は,MAPSEDのセマンティクスとイベントのダイナミックスを捉える能力を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-10-05T02:38:46Z)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)
• RePAD: Real-time Proactive Anomaly Detection for Time Series [0.27528170226206433]
  RePADはLong Short-Term Memory (LSTM)に基づくストリーミング時系列のリアルタイム能動異常検出アルゴリズムである 検出しきい値を時間とともに動的に調整することにより、RePADは時系列におけるマイナーパターンの変更を許容し、前向きまたは時間的に異常を検出することができる。
  論文  参考訳（メタデータ） (2020-01-24T09:13:33Z)

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。