論文の概要: Beyond Marginals: Learning Joint Spatio-Temporal Patterns for Multivariate Anomaly Detection

• arxiv url: http://arxiv.org/abs/2509.15033v1
• Date: Thu, 18 Sep 2025 14:57:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:53.281816
• Title: Beyond Marginals: Learning Joint Spatio-Temporal Patterns for Multivariate Anomaly Detection
• Title（参考訳）: マルチ変数異常検出のための同時時空間パターンの学習
• Authors: Padmaksha Roy, Almuatazbellah Boker, Lamine Mili,
• Abstract要約: 時系列データでは、関連時系列の同時ずれにより異常を示すことができる。 我々のアプローチは、潜在空間における結合依存をモデル化することでこの問題に対処する。
• 参考スコア（独自算出の注目度）: 2.893006778402251
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this paper, we aim to improve multivariate anomaly detection (AD) by modeling the \textit{time-varying non-linear spatio-temporal correlations} found in multivariate time series data . In multivariate time series data, an anomaly may be indicated by the simultaneous deviation of interrelated time series from their expected collective behavior, even when no individual time series exhibits a clearly abnormal pattern on its own. In many existing approaches, time series variables are assumed to be (conditionally) independent, which oversimplifies real-world interactions. Our approach addresses this by modeling joint dependencies in the latent space and decoupling the modeling of \textit{marginal distributions, temporal dynamics, and inter-variable dependencies}. We use a transformer encoder to capture temporal patterns, and to model spatial (inter-variable) dependencies, we fit a multi-variate likelihood and a copula. The temporal and the spatial components are trained jointly in a latent space using a self-supervised contrastive learning objective to learn meaningful feature representations to separate normal and anomaly samples.
• Abstract（参考訳）: 本稿では,多変量時系列データに見られる「textit{time-variant non-linear spatio-temporal correlations」をモデル化することにより,多変量異常検出(AD)を改善することを目的とする。 多変量時系列データでは、個々の時系列が単独で明らかな異常パターンを示さない場合でも、その期待する集団行動から相互関連時系列の同時偏差によって異常を示すことができる。 既存の多くのアプローチでは、時系列変数は(条件付き)独立であると仮定され、実世界の相互作用を単純化する。 我々のアプローチは、潜在空間における結合依存をモデル化し、 \textit{marginal distributions, temporal dynamics, and inter-variable dependencies} のモデリングを分離することでこの問題に対処する。 変換器エンコーダを用いて時間パターンをキャプチャし、空間的(変数間)依存をモデル化し、多変量確率とコプラに適合する。 時間成分と空間成分は、自己教師付きコントラスト学習目標を用いて潜在空間で共同で訓練され、意味のある特徴表現を学習し、正常サンプルと異常サンプルを分離する。

関連論文リスト

• Multivariate Time Series Anomaly Detection by Capturing Coarse-Grained Intra- and Inter-Variate Dependencies [14.784236273395017]
  我々は,新しい半教師付き多変量時系列異常検出手法であるMuntsCIDを紹介する。 MtsCID は最先端のベンチマーク手法に匹敵する性能または優れた性能を達成できることを示す。
  論文  参考訳（メタデータ） (2025-01-22T05:53:12Z)
• TimeDiT: General-purpose Diffusion Transformers for Time Series Foundation Model [11.281386703572842]
  TimeDiTは時間依存性学習と確率的サンプリングを組み合わせた拡散トランスフォーマーモデルである。 TimeDiTは、さまざまなタスクにわたるトレーニングと推論プロセスを調和させるために、統一的なマスキングメカニズムを採用している。 我々の体系的評価は、ゼロショット/ファインチューニングによる予測と計算という基本的なタスクにおいて、TimeDiTの有効性を示す。
  論文  参考訳（メタデータ） (2024-09-03T22:31:57Z)
• EdgeConvFormer: Dynamic Graph CNN and Transformer based Anomaly Detection in Multivariate Time Series [7.514010315664322]
  本研究では,階層化されたTime2vec埋め込み,動的グラフCNN,Transformerを統合し,グローバルかつ局所的な空間時間情報を抽出する新たな異常検出手法EdgeConvFormerを提案する。 実験により、EdgeConvFormerは、多変量時系列データから時空間モデリングを学習し、異なるスケールの多くの実世界のデータセットに対する最先端のアプローチよりも優れた異常検出性能を得ることができることが示された。
  論文  参考訳（メタデータ） (2023-12-04T08:38:54Z)
• Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
  本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。 実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
  論文  参考訳（メタデータ） (2023-10-17T06:29:09Z)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• Probabilistic Learning of Multivariate Time Series with Temporal Irregularity [21.361823581838355]
  実世界の時系列はしばしば、一様間隔や不整合変数を含む時間的不規則に悩まされる。 本稿では,変数の連立分布を任意の連続点で捉えながら,時間的不規則性をモデル化するエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-15T14:08:48Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• Gaussian Process Latent Variable Modeling for Few-shot Time Series Forecasting [25.612524060553703]
  時系列予測は資源配分、工業生産、都市管理の最適化に不可欠である。 既存のモデルは、長期の依存関係をキャプチャし、数ショットのシナリオで様々なメタ知識を明示的にモデル化するのに苦労している。 本稿では,メタラーニングに基づくガウス的プロセス潜在変数モデルであるMetaGPを提案する。
  論文  参考訳（メタデータ） (2022-12-20T14:54:04Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)

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。