論文の概要: CAPMix: Robust Time Series Anomaly Detection Based on Abnormal Assumptions with Dual-Space Mixup

• arxiv url: http://arxiv.org/abs/2509.06419v1
• Date: Mon, 08 Sep 2025 08:15:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:04.01231
• Title: CAPMix: Robust Time Series Anomaly Detection Based on Abnormal Assumptions with Dual-Space Mixup
• Title（参考訳）: CAPMix:Dual-Space Mixupによる異常推定に基づくロバスト時系列異常検出
• Authors: Xudong Mou, Rui Wang, Tiejun Wang, Renyu Yang, Shiru Chen, Jie Sun, Tianyu Wo, Xudong Liu,
• Abstract要約: 時系列異常検出は不可欠だが困難な課題である。 最近の異常仮定は、合成サンプルを注入し、識別モデルを訓練することにより、異常の欠如を軽減する。 制御可能な異常拡張フレームワークであるCAPMixを提案する。
• 参考スコア（独自算出の注目度）: 16.41978122704698
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series anomaly detection (TSAD) is a vital yet challenging task, particularly in scenarios where labeled anomalies are scarce and temporal dependencies are complex. Recent anomaly assumption (AA) approaches alleviate the lack of anomalies by injecting synthetic samples and training discriminative models. Despite promising results, these methods often suffer from two fundamental limitations: patchy generation, where scattered anomaly knowledge leads to overly simplistic or incoherent anomaly injection, and Anomaly Shift, where synthetic anomalies either resemble normal data too closely or diverge unrealistically from real anomalies, thereby distorting classification boundaries. In this paper, we propose CAPMix, a controllable anomaly augmentation framework that addresses both issues. First, we design a CutAddPaste mechanism to inject diverse and complex anomalies in a targeted manner, avoiding patchy generation. Second, we introduce a label revision strategy to adaptively refine anomaly labels, reducing the risk of anomaly shift. Finally, we employ dual-space mixup within a temporal convolutional network to enforce smoother and more robust decision boundaries. Extensive experiments on five benchmark datasets, including AIOps, UCR, SWaT, WADI, and ESA, demonstrate that CAPMix achieves significant improvements over state-of-the-art baselines, with enhanced robustness against contaminated training data. The code is available at https://github.com/alsike22/CAPMix.
• Abstract（参考訳）: 時系列異常検出(TSAD)は、特にラベル付き異常が不足し、時間的依存関係が複雑であるシナリオにおいて、重要な課題である。 最近の異常仮定(AA)は、合成サンプルを注入し、識別モデルを訓練することによって、異常の欠如を緩和する。 有望な結果にもかかわらず、これらの手法は2つの基本的な限界に悩まされる: パッチ生成: 分散された異常な知識が過度に単純化または不整合な異常注入をもたらす 異常シフト: 合成異常は通常のデータに近すぎるか、実際の異常から非現実的に発散し、分類境界を歪ませる 。 本稿では,両問題に対処する制御可能な異常拡張フレームワークであるCAPMixを提案する。 まず,様々な複雑な異常を標的に注入するCutAddPaste機構を設計し,パッチ生成を回避する。 第2に,異常ラベルを適応的に洗練するラベルリビジョン戦略を導入し,異常シフトのリスクを低減する。 最後に、時間的畳み込みネットワークにおいて、よりスムーズで堅牢な決定境界を強制するために、二重空間混合を用いる。 AIOps、UCR、SWaT、WADI、ESAを含む5つのベンチマークデータセットに対する大規模な実験は、CAPMixが最先端のベースラインよりも大幅に改善され、汚染されたトレーニングデータに対する堅牢性が向上していることを示している。 コードはhttps://github.com/alsike22/CAPMixで公開されている。

関連論文リスト

• Generate Aligned Anomaly: Region-Guided Few-Shot Anomaly Image-Mask Pair Synthesis for Industrial Inspection [53.137651284042434]
  異常検査は製造業において重要な役割を担っているが、異常サンプルの不足は既存の方法の有効性を制限している。 本稿では,GAA (Generate grained Anomaly) を提案する。 GAAは少数のサンプルのみを用いて現実的で多様で意味的に整合した異常を発生させる。
  論文  参考訳（メタデータ） (2025-07-13T12:56:59Z)
• KKA: Improving Vision Anomaly Detection through Anomaly-related Knowledge from Large Language Models [54.63075553088399]
  Key Knowledge Augmentation (KKA)は,大規模言語モデル(LLM)から異常関連知識を抽出する手法である。 KKAは、生成した異常を、通常のサンプルと類似性に応じて、容易な異常と硬い異常と分類する。 実験の結果,提案手法は様々な視覚異常検出器の性能を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2025-02-14T07:46:49Z)
• AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
  製造業において異常検査が重要な役割を担っている。 既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。 本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:13:40Z)
• RoSAS: Deep Semi-Supervised Anomaly Detection with Contamination-Resilient Continuous Supervision [21.393509817509464]
  本稿では, テクスト汚染耐性連続監視信号を考案した, 半教師付き異常検出手法を提案する。 当社のアプローチは、AUC-PRにおいて最先端の競合他社を20%-30%上回っている。
  論文  参考訳（メタデータ） (2023-07-25T04:04:49Z)
• Harnessing Contrastive Learning and Neural Transformation for Time Series Anomaly Detection [0.0]
  時系列異常検出(TSAD)は多くの産業応用において重要な役割を担っている。 コントラスト学習は、ラベルのないデータから意味のある表現を抽出する過程において、時系列領域で勢いを増している。 本研究では,学習可能な変換で強化されたウィンドウベースのコントラスト学習戦略を取り入れた新しいアプローチであるCNTを提案する。
  論文  参考訳（メタデータ） (2023-04-16T21:36:19Z)
• Synthetic Pseudo Anomalies for Unsupervised Video Anomaly Detection: A Simple yet Efficient Framework based on Masked Autoencoder [1.9511777443446219]
  本稿では,ビデオ異常検出のための簡易かつ効率的なフレームワークを提案する。 擬似異常サンプルは、余分なデータ処理をせずにランダムマスクトークンを埋め込み、正規データのみから合成する。 また、正規性とそれに対応する擬似異常データから正規知識をよりよく学習するよう、AEsに促す正規性整合性訓練戦略を提案する。
  論文  参考訳（メタデータ） (2023-03-09T08:33:38Z)
• 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)
• Augment to Detect Anomalies with Continuous Labelling [10.646747658653785]
  異常検出は、トレーニング観察と何らかの点で異なるサンプルを認識することである。 最近の最先端のディープラーニングに基づく異常検出手法は、計算コスト、複雑さ、不安定な訓練手順、非自明な実装に悩まされている。 我々は、軽量な畳み込みニューラルネットワークを訓練し、異常検出における最先端の性能に到達するための単純な学習手順を活用する。
  論文  参考訳（メタデータ） (2022-07-03T20:11:51Z)
• Memory-augmented Adversarial Autoencoders for Multivariate Time-series Anomaly Detection with Deep Reconstruction and Prediction [4.033624665609417]
  本稿では,時系列の非教師付き異常検出手法であるMemAAEを提案する。 2つの補完的プロキシタスク、再構築と予測を共同でトレーニングすることにより、複数のタスクによる異常検出が優れた性能を得ることを示す。 MemAAEは4つの公開データセットで総合F1スコアの0.90を達成し、最高のベースラインである0.02を上回っている。
  論文  参考訳（メタデータ） (2021-10-15T18:29:05Z)

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。