論文の概要: CaPulse: Detecting Anomalies by Tuning in to the Causal Rhythms of Time Series

• arxiv url: http://arxiv.org/abs/2508.04630v1
• Date: Wed, 06 Aug 2025 16:57:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.832901
• Title: CaPulse: Detecting Anomalies by Tuning in to the Causal Rhythms of Time Series
• Title（参考訳）: CaPulse:時系列の因果リズムを調整して異常を検出する
• Authors: Yutong Xia, Yingying Zhang, Yuxuan Liang, Lunting Fan, Qingsong Wen, Roger Zimmermann,
• Abstract要約: 本稿では,時系列データの因果パルスに合わせた因果関係に基づく新しいフレームワークCaPulseを導入し,異常を効果的に検出する。 そこで本研究では,新しいマスク機構を備えた周期正規化フローを提案する。 7つの実世界のデータセットの実験は、CaPulseが既存のメソッドを一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 42.46322016695622
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Time series anomaly detection has garnered considerable attention across diverse domains. While existing methods often fail to capture the underlying mechanisms behind anomaly generation in time series data. In addition, time series anomaly detection often faces several data-related inherent challenges, i.e., label scarcity, data imbalance, and complex multi-periodicity. In this paper, we leverage causal tools and introduce a new causality-based framework, CaPulse, which tunes in to the underlying causal pulse of time series data to effectively detect anomalies. Concretely, we begin by building a structural causal model to decipher the generation processes behind anomalies. To tackle the challenges posed by the data, we propose Periodical Normalizing Flows with a novel mask mechanism and carefully designed periodical learners, creating a periodicity-aware, density-based anomaly detection approach. Extensive experiments on seven real-world datasets demonstrate that CaPulse consistently outperforms existing methods, achieving AUROC improvements of 3% to 17%, with enhanced interpretability.
• Abstract（参考訳）: 時系列異常検出は様々な領域で注目されている。 既存の手法は時系列データにおいて異常発生の背後にあるメカニズムを捉えるのに失敗することが多い。 さらに、時系列異常検出は、ラベル不足、データ不均衡、複雑な多周期性など、データに関連するいくつかの課題に直面していることが多い。 本稿では、因果的ツールを活用し、時系列データの基礎となる因果的パルスをチューニングし、異常を効果的に検出するCaPulseという新しい因果的フレームワークを導入する。 具体的には、構造因果モデルを構築し、異常の背後にある生成過程を解読することから始める。 本研究では,新しいマスク機構と周期学習者による周期正規化フローを提案し,周期性を考慮した密度に基づく異常検出手法を提案する。 7つの実世界のデータセットに対する大規模な実験により、CaPulseは既存の手法を一貫して上回り、AUROCの改善は3%から17%に向上し、解釈可能性も向上した。

関連論文リスト

• Cluster-Aware Causal Mixer for Online Anomaly Detection in Multivariate Time Series [21.822977353368785]
  誤検出や誤検出に関連する重大なリスクを考えると、時系列データの異常の検出は極めて重要である。 時系列中の異常を効果的に検出するクラスタ対応因果混合器を提案する。 本稿では,偽陽性を防止すべく,異常証拠を蓄積する異常検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-30T19:56:54Z)
• Calibrated Unsupervised Anomaly Detection in Multivariate Time-series using Reinforcement Learning [0.0]
  本稿では,自己エンコーダの潜伏空間における強化学習(RL)を用いた時系列データにおける教師なし異常検出について検討する。 我々はウェーブレット解析を用いて異常検出を強化し、時系列データを時間領域と周波数領域の両方に分解する。 我々は、合成異常を生成し、モデル内に教師付きフレームワークを埋め込むことで、決定境界を校正する。
  論文  参考訳（メタデータ） (2025-02-05T15:02:40Z)
• DACR: Distribution-Augmented Contrastive Reconstruction for Time-Series Anomaly Detection [12.3866167448478]
  時系列データの異常検出は、さまざまなアプリケーションにわたる障害、障害、脅威、異常を識別するために不可欠である。 近年、このトピックにディープラーニング技術が適用されているが、現実のシナリオではしばしば苦労している。 本稿では,これらの課題に対処するため,DACR(Distributed-Augmented Contrastive Reconstruction)を提案する。
  論文  参考訳（メタデータ） (2024-01-20T16:56:52Z)
• 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)
• Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
  時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。 時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。 本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
  論文  参考訳（メタデータ） (2022-11-09T22:40:22Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
  ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。 本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:48:02Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。