論文の概要: NeuCoReClass AD: Redefining Self-Supervised Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2508.00909v1
• Date: Tue, 29 Jul 2025 15:04:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:21.616823
• Title: NeuCoReClass AD: Redefining Self-Supervised Time Series Anomaly Detection
• Title（参考訳）: NeuCoReClass AD: 自己スーパービジョンされた時系列異常検出の再定義
• Authors: Aitor Sánchez-Ferrera, Usue Mori, Borja Calvo, Jose A. Lozano,
• Abstract要約: 自己教師型マルチタスク時系列異常検出フレームワークであるNeuCoReClass ADを紹介する。 本手法では,ドメイン固有の知識を必要とせず,情報的,多様性的,一貫性のある拡張ビューを生成するために,ニューラルトランスフォーメーション学習を用いる。
• 参考スコア（独自算出の注目度）: 0.8349690795786082
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Time series anomaly detection plays a critical role in a wide range of real-world applications. Among unsupervised approaches, self-supervised learning has gained traction for modeling normal behavior without the need of labeled data. However, many existing methods rely on a single proxy task, limiting their ability to capture meaningful patterns in normal data. Moreover, they often depend on handcrafted transformations tailored specific domains, hindering their generalization accross diverse problems. To address these limitations, we introduce NeuCoReClass AD, a self-supervised multi-task time series anomaly detection framework that combines contrastive, reconstruction, and classification proxy tasks. Our method employs neural transformation learning to generate augmented views that are informative, diverse, and coherent, without requiring domain-specific knowledge. We evaluate NeuCoReClass AD across a wide range of benchmarks, demonstrating that it consistently outperforms both classical baselines and most deep-learning alternatives. Furthermore, it enables the characterization of distinct anomaly profiles in a fully unsupervised manner.
• Abstract（参考訳）: 時系列異常検出は、幅広い現実世界の応用において重要な役割を果たす。 教師なしのアプローチの中で、ラベル付きデータを必要としない、通常の振る舞いをモデル化するための自己教師付き学習が注目を集めている。 しかし、既存の多くのメソッドは単一のプロキシタスクに依存しており、通常のデータで意味のあるパターンをキャプチャする能力を制限する。 さらに、それらは特定の領域に合わせた手作り変換に依存しており、様々な問題にまたがる一般化を妨げる。 これらの制約に対処するために、コントラスト、再構成、分類プロキシタスクを組み合わせた自己教師付きマルチタスク時系列異常検出フレームワークであるNeuCoReClass ADを導入する。 本手法では,ドメイン固有の知識を必要とせず,情報的,多様性的,一貫性のある拡張ビューを生成するために,ニューラルトランスフォーメーション学習を用いる。 我々はNuCoReClass ADを幅広いベンチマークで評価し、古典的なベースラインと最も深い学習の選択肢の両方を一貫して上回っていることを示した。 さらに、完全に教師なしの方法で、異なる異常プロファイルを特徴づけることができる。

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)
• 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)
• General Time-series Model for Universal Knowledge Representation of Multivariate Time-Series data [61.163542597764796]
  周波数領域で異なる時間粒度(または対応する周波数分解能)の時系列が異なる結合分布を示すことを示す。 時間領域と周波数領域の両方からタイムアウェア表現を学習するために,新しいFourierナレッジアテンション機構を提案する。 自己回帰的空白埋め込み事前学習フレームワークを時系列解析に初めて組み込み、生成タスクに依存しない事前学習戦略を実現する。
  論文  参考訳（メタデータ） (2025-02-05T15:20:04Z)
• CNC: Cross-modal Normality Constraint for Unsupervised Multi-class Anomaly Detection [34.675120608542265]
  本稿では,クラスに依存しない学習可能なプロンプトを利用して,デコードされた特徴を正規のテキスト表現へ導く手法を提案する。 本手法は,MVTec AD と VisA のデータセット上での競合性能を実現し,その性能を実証する。
  論文  参考訳（メタデータ） (2024-12-31T08:43:44Z)
• Impact of Recurrent Neural Networks and Deep Learning Frameworks on Real-time Lightweight Time Series Anomaly Detection [0.0]
  様々なディープラーニングフレームワークで利用可能な異なるタイプのRNNが、これらの異常検出手法の性能にどのように影響するかは不明だ。 我々は、いくつかの最先端手法をレビューし、よく知られたRNN変種を用いた代表的異常検出手法を実装した。 次に、実世界のオープンソース時系列データセットにまたがる各実装のパフォーマンスを分析するために、包括的な評価を行う。
  論文  参考訳（メタデータ） (2024-07-26T00:38:51Z)
• Infinite dSprites for Disentangled Continual Learning: Separating Memory Edits from Generalization [36.23065731463065]
  Infinite dSpritesは任意の長さの連続的な分類ベンチマークを作成するための擬似ツールである。 この単純なベンチマークでは、十分に長い時間をかけて、全ての主要な連続学習手法の性能が低下していることが示される。 生成因子を直接監督した簡単な設定では、学習階級に依存しない変換が破滅的な忘れを回避できる方法を示している。
  論文  参考訳（メタデータ） (2023-12-27T22:05:42Z)
• Activate and Reject: Towards Safe Domain Generalization under Category Shift [71.95548187205736]
  カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。 未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。 従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
  論文  参考訳（メタデータ） (2023-10-07T07:53:12Z)
• 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)
• A Shapelet-based Framework for Unsupervised Multivariate Time Series Representation Learning [29.511632089649552]
  時系列固有のシェープレットに基づく表現を学習し,多変量時系列のための新しいURLフレームワークを提案する。 我々の知る限りでは、これは、教師なし汎用表現学習におけるシェープレットベースの埋め込みを探求する最初の研究である。 統一型シェープレットベースのエンコーダと,マルチグレードコントラストとマルチスケールアライメントを備えた新しい学習目標が,目的達成のために特に設計されている。
  論文  参考訳（メタデータ） (2023-05-30T09:31:57Z)
• Neural Contextual Anomaly Detection for Time Series [7.523820334642732]
  本稿では,時系列における異常検出のためのフレームワークであるNeural Contextual Anomaly Detection (NCAD)を紹介する。 NCADは教師なし設定から教師なし設定までシームレスにスケールする。 我々は,提案手法が最先端の性能を得るための標準ベンチマークデータセットを実証的に実証した。
  論文  参考訳（メタデータ） (2021-07-16T04:33:53Z)
• Task-agnostic Continual Learning with Hybrid Probabilistic Models [75.01205414507243]
  分類のための連続学習のためのハイブリッド生成識別手法であるHCLを提案する。 フローは、データの配布を学習し、分類を行い、タスクの変更を特定し、忘れることを避けるために使用される。 本研究では,スプリット-MNIST,スプリット-CIFAR,SVHN-MNISTなどの連続学習ベンチマークにおいて,HCLの強い性能を示す。
  論文  参考訳（メタデータ） (2021-06-24T05:19:26Z)
• Unsupervised and self-adaptative techniques for cross-domain person re-identification [82.54691433502335]
  非重複カメラにおける人物再識別(ReID)は難しい課題である。 Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。 本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
  論文  参考訳（メタデータ） (2021-03-21T23:58:39Z)
• Multi-Domain Adversarial Feature Generalization for Person Re-Identification [52.835955258959785]
  マルチデータセット特徴一般化ネットワーク(MMFA-AAE)を提案する。 複数のラベル付きデータセットから普遍的なドメイン不変の特徴表現を学習し、それを見えないカメラシステムに一般化することができる。 また、最先端の教師付き手法や教師なしのドメイン適応手法を大きなマージンで超えている。
  論文  参考訳（メタデータ） (2020-11-25T08:03:15Z)

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。