論文の概要: Leveraging Intermediate Representations of Time Series Foundation Models for Anomaly Detection

• arxiv url: http://arxiv.org/abs/2509.12650v1
• Date: Tue, 16 Sep 2025 04:10:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:52.878779
• Title: Leveraging Intermediate Representations of Time Series Foundation Models for Anomaly Detection
• Title（参考訳）: 異常検出のための時系列基礎モデルの中間表現の活用
• Authors: Chan Sik Han, Keon Myung Lee,
• Abstract要約: 時系列基礎モデル(TSFM)は異常検出のための強力なツールとして登場した。 TSFMの中間層表現を利用した新しい異常検出手法であるTimeRepを提案する。 TimeRepは、最先端のベースラインの幅広いスペクトルを一貫して上回る。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting anomalies in time series data is essential for the reliable operation of many real-world systems. Recently, time series foundation models (TSFMs) have emerged as a powerful tool for anomaly detection. However, existing methods typically rely on the final layer's representations of TSFMs, computing the anomaly score as a reconstruction or forecasting error via a task-specific head. Instead, we propose TimeRep, a novel anomaly detection approach that leverages the intermediate layer's representations of TSFMs, computing the anomaly score as the distance between these representations. Given a pre-trained TSFM, TimeRep selects the intermediate layer and patch-token position that yield the most informative representation. TimeRep forms a reference collection of intermediate representations from the training data and applies a core-set strategy to reduce its size while maintaining distributional coverage. During inference, TimeRep computes the anomaly score for incoming data by measuring the distance between its intermediate representations and those of the collection. To address concept drift, TimeRep integrates an adaptation mechanism that, at inference time, augments the collection exclusively with non-redundant intermediate representations from incoming data. We conducted extensive experiments on the UCR Anomaly Archive, which contains 250 univariate time series. TimeRep consistently outperforms a broad spectrum of state-of-the-art baselines, including non-DL, DL, and foundation model-based methods.
• Abstract（参考訳）: 時系列データの異常を検出することは、多くの実世界のシステムの信頼性の高い運用に不可欠である。 近年,時系列基礎モデル (TSFM) が異常検出の強力なツールとして登場している。 しかし、既存の手法は一般に最終層のTSFM表現に依存しており、タスク固有のヘッドによる再構成や予測エラーとして異常スコアを計算している。 代わりに、TSFMの中間層表現を利用した新しい異常検出手法であるTimeRepを提案し、これらの表現間の距離として異常スコアを計算する。 事前訓練されたTSFMが与えられたとき、TimeRepは中間層と最も情報に富んだ表現をもたらすパッチトケン位置を選択する。 TimeRepはトレーニングデータから中間表現の参照コレクションを生成し、分散カバレッジを維持しながら、そのサイズを減らすためにコアセット戦略を適用します。 推論中、TimeRepは中間表現とコレクションの距離を測定して、受信データに対する異常スコアを算出する。 概念のドリフトに対処するため、TimeRepは推論時に、受信データから非冗長な中間表現でのみコレクションを増強するアダプティブメカニズムを統合する。 我々は,250個の単変量時系列を含むUCR異常アーカイブについて広範な実験を行った。 TimeRepは、非DL、DL、基礎モデルベースのメソッドなど、最先端のベースラインの幅広い範囲を一貫して上回る。

関連論文リスト

• Time-RA: Towards Time Series Reasoning for Anomaly with LLM Feedback [55.284574165467525]
  Time-RA(Time-Series Reasoning for Anomaly)は、時系列異常検出を生成的、推論集約的なタスクに変換する。 また,実世界のマルチモーダルベンチマークデータセットであるRATs40Kを導入する。
  論文  参考訳（メタデータ） (2025-07-20T18:02:50Z)
• 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)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• 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)
• Match-And-Deform: Time Series Domain Adaptation through Optimal Transport and Temporal Alignment [10.89671409446191]
  我々は、ソースとターゲット時系列の対応を見つけることを目的としたMatch-And-Deform(MAD)アプローチを導入する。 ディープニューラルネットワークに組み込むと、MADは両方のドメインを整列する時系列の新しい表現を学ぶのに役立つ。 ベンチマークデータセットとリモートセンシングデータに関する実証研究は、MADが有意義なサンプルとサンプルのペアリングと時間シフト推定を行うことを示した。
  論文  参考訳（メタデータ） (2023-08-24T09:57:11Z)
• An Unsupervised Short- and Long-Term Mask Representation for Multivariate Time Series Anomaly Detection [2.387411589813086]
  本稿では,教師なし短時間・長期マスク表現学習(SLMR)に基づく異常検出手法を提案する。 実験により,本手法の性能は,実世界の3つのデータセットにおいて,他の最先端モデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-19T09:34:11Z)
• 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。