論文の概要: Physics-Informed Diffusion Models for Unsupervised Anomaly Detection in Multivariate Time Series

• arxiv url: http://arxiv.org/abs/2508.11528v1
• Date: Fri, 15 Aug 2025 15:13:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-18 14:51:24.059546
• Title: Physics-Informed Diffusion Models for Unsupervised Anomaly Detection in Multivariate Time Series
• Title（参考訳）: 多変量時系列における教師なし異常検出のための物理インフォームド拡散モデル
• Authors: Juhi Soni, Markus Lange-Hegermann, Stefan Windmann,
• Abstract要約: 時系列データに対する物理インフォームド拡散モデルに基づく教師なし異常検出手法を提案する。 物理インフォームド損失の重み付けを静的な重み付けスケジュールを用いて構築し、基礎となるデータ分布を近似する。 合成および実世界のデータセットの実験では、物理インフォームドトレーニングが異常検出においてF1スコアを改善することが示されている。
• 参考スコア（独自算出の注目度）: 5.89889361990138
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose an unsupervised anomaly detection approach based on a physics-informed diffusion model for multivariate time series data. Over the past years, diffusion model has demonstrated its effectiveness in forecasting, imputation, generation, and anomaly detection in the time series domain. In this paper, we present a new approach for learning the physics-dependent temporal distribution of multivariate time series data using a weighted physics-informed loss during diffusion model training. A weighted physics-informed loss is constructed using a static weight schedule. This approach enables a diffusion model to accurately approximate underlying data distribution, which can influence the unsupervised anomaly detection performance. Our experiments on synthetic and real-world datasets show that physics-informed training improves the F1 score in anomaly detection; it generates better data diversity and log-likelihood. Our model outperforms baseline approaches, additionally, it surpasses prior physics-informed work and purely data-driven diffusion models on a synthetic dataset and one real-world dataset while remaining competitive on others.
• Abstract（参考訳）: 多変量時系列データに対する物理インフォームド拡散モデルに基づく教師なし異常検出手法を提案する。 過去数年間、拡散モデルは時系列領域における予測、計算、生成、異常検出においてその効果を実証してきた。 本稿では,多変量時系列データの物理依存性の時間分布を,拡散モデルトレーニング中の重み付き物理インフォームドロスを用いて学習するための新しいアプローチを提案する。 静的な重み付けスケジュールを用いて重み付けされた物理インフォームド・ロスを構築する。 このアプローチにより、拡散モデルは基礎となるデータ分布を正確に近似することができ、教師なし異常検出性能に影響を与える可能性がある。 合成および実世界のデータセットを用いた実験により,物理インフォームドトレーニングにより異常検出におけるF1スコアが向上し,データ多様性とログ類似度が向上することが示された。 我々のモデルは、基礎的なアプローチよりも優れており、また、従来の物理インフォームドワークや、合成データセットと1つの実世界のデータセット上の純粋にデータ駆動拡散モデルよりも、競争力を維持しながら、性能が優れています。

関連論文リスト

• Hybrid Generative Modeling for Incomplete Physics: Deep Grey-Box Meets Optimal Transport [48.06072022424773]
  多くの実世界の系は、方程式の欠落や未知の項にのみ記述される。 これにより、物理モデルの分布は真のデータ生成過程(DGP)とは異なる。 非完全物理モデルを強化するために, 深層グレーボックスモデルと最適輸送法を組み合わせた新しいハイブリッド生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-06-27T13:23:27Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• A Temporally Disentangled Contrastive Diffusion Model for Spatiotemporal Imputation [35.46631415365955]
  C$2$TSDという条件拡散フレームワークを導入する。 実世界の3つのデータセットに対する我々の実験は、最先端のベースラインと比較して、我々のアプローチの優れた性能を示している。
  論文  参考訳（メタデータ） (2024-02-18T11:59:04Z)
• Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [53.27596811146316]
  拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。 本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。 そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
  論文  参考訳（メタデータ） (2024-01-17T07:58:18Z)
• Monte Carlo EM for Deep Time Series Anomaly Detection [6.312089019297173]
  時系列データは、しばしば外れ値や他の種類の異常によって破壊される。 異常検出と予測への最近のアプローチは、トレーニングデータの異常の割合が無視できるほど小さいと仮定している。 本稿では,既存の時系列モデルを拡張して,トレーニングデータの異常を明示的に考慮する手法を提案する。
  論文  参考訳（メタデータ） (2021-12-29T07:52:36Z)

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。