論文の概要: Prospective Multi-Graph Cohesion for Multivariate Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2509.17235v1
• Date: Sun, 21 Sep 2025 21:00:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.178273
• Title: Prospective Multi-Graph Cohesion for Multivariate Time Series Anomaly Detection
• Title（参考訳）: 多変量時系列異常検出のための前方多重グラフ結合
• Authors: Jiazhen Chen, Mingbin Feng, Tony S. Wirjanto,
• Abstract要約: 高次元時系列データにおける異常検出は多くの産業用途において重要である。 本稿では,多変量TSADのためのPMGCフレームワークを提案する。 PMGCは、長期静的グラフと一連の短期インスタンス単位の動的グラフを統合することで空間相関を利用する。
• 参考スコア（独自算出の注目度）: 5.89889361990138
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection in high-dimensional time series data is pivotal for numerous industrial applications. Recent advances in multivariate time series anomaly detection (TSAD) have increasingly leveraged graph structures to model inter-variable relationships, typically employing Graph Neural Networks (GNNs). Despite their promising results, existing methods often rely on a single graph representation, which are insufficient for capturing the complex, diverse relationships inherent in multivariate time series. To address this, we propose the Prospective Multi-Graph Cohesion (PMGC) framework for multivariate TSAD. PMGC exploits spatial correlations by integrating a long-term static graph with a series of short-term instance-wise dynamic graphs, regulated through a graph cohesion loss function. Our theoretical analysis shows that this loss function promotes diversity among dynamic graphs while aligning them with the stable long-term relationships encapsulated by the static graph. Additionally, we introduce a "prospective graphing" strategy to mitigate the limitations of traditional forecasting-based TSAD methods, which often struggle with unpredictable future variations. This strategy allows the model to accurately reflect concurrent inter-series relationships under normal conditions, thereby enhancing anomaly detection efficacy. Empirical evaluations on real-world datasets demonstrate the superior performance of our method compared to existing TSAD techniques.
• Abstract（参考訳）: 高次元時系列データにおける異常検出は多くの産業用途において重要である。 多変量時系列異常検出(TSAD)の最近の進歩は、グラフ構造を利用して、通常、グラフニューラルネットワーク(GNN)を用いて、変数間の関係をモデル化している。 有望な結果にもかかわらず、既存の手法はしばしば単一のグラフ表現に依存しており、これは多変量時系列に固有の複雑で多様な関係を捉えるには不十分である。 そこで本稿では,多変量TSADのためのPMGCフレームワークを提案する。 PMGCは、グラフの凝集損失関数によって制御された、長期静的グラフと一連の短期的なインスタンス単位の動的グラフを統合することにより、空間的相関を利用する。 この損失関数は静的グラフによってカプセル化された安定な長期関係と整合しながら、動的グラフ間の多様性を促進する。 さらに,予測不可能な将来変化に苦しむ従来の予測に基づくTSAD手法の限界を緩和する「プロスペクティブグラフ化」戦略を導入する。 この戦略により、モデルが正常条件下での同時シリーズ間関係を正確に反映し、異常検出の有効性を高めることができる。 実世界のデータセットに対する経験的評価は,既存のTSAD手法と比較して,提案手法の優れた性能を示す。

関連論文リスト

• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• 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)
• TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
  TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。 提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。 我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
  論文  参考訳（メタデータ） (2024-01-06T06:26:49Z)
• Entropy Causal Graphs for Multivariate Time Series Anomaly Detection [7.096687136904268]
  本研究では,多変量時系列異常検出のためのエントロピー因果グラフであるCGADを提案する。 CGADは転送エントロピーを利用して時系列データ間の因果関係を明らかにするグラフ構造を構築する。 CGADは、9%の平均的な改善で、実世界のデータセット上で最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-12-15T01:35:00Z)
• Hierarchical Joint Graph Learning and Multivariate Time Series Forecasting [0.16492989697868887]
  本稿では,相互依存を示すエッジを持つグラフにおいて,多変量信号をノードとして表現する方法を提案する。 我々はグラフニューラルネットワーク(GNN)とアテンションメカニズムを活用し、時系列データ内の基礎となる関係を効率的に学習する。 提案モデルの有効性を,長期予測タスク用に設計された実世界のベンチマークデータセットで評価した。
  論文  参考訳（メタデータ） (2023-11-21T14:24:21Z)
• Multivariate Time Series Anomaly Detection via Dynamic Graph Forecasting [0.0]
  動的時系列間グラフのリストに基づく時系列異常検出フレームワークDyGraphADを提案する。 中心となる考え方は、シリーズ間関係とシリーズ間時間パターンの正常状態から異常状態へのずれに基づいて異常を検出することである。 実世界のデータセットに関する数値実験により,DyGraphADはベースライン異常検出手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2023-02-04T01:27:01Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale Contrastive Learning Approach [26.973056364587766]
  グラフデータからの異常検出は、ソーシャルネットワーク、金融、eコマースなど、多くのアプリケーションにおいて重要なデータマイニングタスクである。 マルチスケールcONtrastive lEarning(略してANEMONE)を用いた新しいフレームワーク, graph Anomaly dEtection フレームワークを提案する。 グラフニューラルネットワークをバックボーンとして、複数のグラフスケール(ビュー)から情報をエンコードすることで、グラフ内のノードのより良い表現を学習する。
  論文  参考訳（メタデータ） (2022-02-11T09:45:11Z)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)

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。