論文の概要: An Improved Time Series Anomaly Detection by Applying Structural Similarity

• arxiv url: http://arxiv.org/abs/2509.20184v1
• Date: Wed, 24 Sep 2025 14:45:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.856419
• Title: An Improved Time Series Anomaly Detection by Applying Structural Similarity
• Title（参考訳）: 構造的類似性の適用による時系列異常検出の改善
• Authors: Tiejun Wang, Rui Wang, Xudong Mou, Mengyuan Ma, Tianyu Wo, Renyu Yang, Xudong Liu,
• Abstract要約: 本稿では,新しい構造強化型異常検出手法であるStrADを提案する。 この結果から,StrADは5つの実世界の異常検出データセットにまたがって,最先端の再構築モデルの性能を向上させることを示した。
• 参考スコア（独自算出の注目度）: 17.056935729423667
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Effective anomaly detection in time series is pivotal for modern industrial applications and financial systems. Due to the scarcity of anomaly labels and the high cost of manual labeling, reconstruction-based unsupervised approaches have garnered considerable attention. However, accurate anomaly detection remains an unsettled challenge, since the optimization objectives of reconstruction-based methods merely rely on point-by-point distance measures, ignoring the potential structural characteristics of time series and thus failing to tackle complex pattern-wise anomalies. In this paper, we propose StrAD, a novel structure-enhanced anomaly detection approach to enrich the optimization objective by incorporating structural information hidden in the time series and steering the data reconstruction procedure to better capture such structural features. StrAD accommodates the trend, seasonality, and shape in the optimization objective of the reconstruction model to learn latent structural characteristics and capture the intrinsic pattern variation of time series. The proposed structure-aware optimization objective mechanism can assure the alignment between the original data and the reconstructed data in terms of structural features, thereby keeping consistency in global fluctuation and local characteristics. The mechanism is pluggable and applicable to any reconstruction-based methods, enhancing the model sensitivity to both point-wise anomalies and pattern-wise anomalies. Experimental results show that StrAD improves the performance of state-of-the-art reconstruction-based models across five real-world anomaly detection datasets.
• Abstract（参考訳）: 時系列における効果的な異常検出は、現代の産業応用や金融システムにとって重要な要素である。 異常ラベルの不足と手動ラベリングの高コストのため、再建に基づく教師なしアプローチが注目されている。 しかし、再構成に基づく手法の最適化目的は、単に点毎の距離測定にのみ依存し、時系列の構造的特性を無視し、複雑なパターン的異常に対処できないため、正確な異常検出は未解決の課題である。 本稿では、時系列に隠された構造情報を取り込み、データ再構成手順をステアリングすることで、その構造的特徴をよりよく捉え、最適化目標を充実させる新しい構造的異常検出手法であるStrADを提案する。 StrADは、復元モデルの最適化目的の傾向、季節性、形状に対応し、潜在構造特性を学習し、時系列の固有パターンの変動を捉える。 提案手法は, 構造的特徴の観点から, 原データと再構成データとの整合性を保証し, グローバルなゆらぎと局所的な特性の整合性を維持する。 この機構は、任意の再構成に基づく手法に適用可能であり、ポイントワイド異常とパターンワイド異常の両方に対するモデルの感度を高める。 実験結果から,StrADは5つの実世界の異常検出データセットにまたがって,最先端の再構築モデルの性能を向上させることが示された。

関連論文リスト

• Graph Neural Network and Transformer Integration for Unsupervised System Anomaly Discovery [14.982273490507986]
  本研究では,分散バックエンドサービスシステムを対象とした教師なし異常検出手法を提案する。 複雑な構造的依存関係、多様な振る舞いの進化、ラベル付きデータの欠如といった現実的な課題に対処する。 その結果,提案手法はいくつかの重要な指標において既存モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-08-13T00:35:58Z)
• Learned Regularization for Microwave Tomography [7.792752191078406]
  単段拡散正規化(Single-Step Diffusion Regularization、SSD-Reg)は、拡散先行を反復的再構成プロセスに埋め込む新しいアプローチである。 SSD-Regは、制御物理学と構造の詳細の両方に忠実さを維持している。 機能的画像再構成に固有の不備に対処するための、柔軟で効果的なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-08-11T15:54:58Z)
• AlphaFold Database Debiasing for Robust Inverse Folding [58.792020809180336]
  Debiasing Structure AutoEncoder (DeSAE)を導入し、故意に破損したバックボーンジオメトリからネイティブライクなコンフォーメーションを再構築することを学ぶ。 推測において、DeSAEをAFDB構造に適用すると、逆折り畳み性能を著しく向上する偏りのある構造が生成される。
  論文  参考訳（メタデータ） (2025-06-10T02:25:31Z)
• Time Series Domain Adaptation via Latent Invariant Causal Mechanism [28.329164754662354]
  時系列領域適応は、ラベル付けされたソースドメインからラベル付けされていないターゲットドメインに複雑な時間依存性を転送することを目的としている。 近年の進歩は、観測変数に対する安定した因果機構を利用して、ドメイン不変時間依存をモデル化している。 しかし、ビデオのような高次元データにおける正確な因果構造をモデル化することは依然として困難である。
  論文  参考訳（メタデータ） (2025-02-23T16:25:58Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
  画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。 我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
  論文  参考訳（メタデータ） (2021-01-07T07:33:38Z)
• Interpreting Rate-Distortion of Variational Autoencoder and Using Model Uncertainty for Anomaly Detection [5.491655566898372]
  表現学習による教師なし異常検出のためのスケーラブルな機械学習システムを構築した。 本稿では,情報理論の観点からVAEを再考し,再構成誤差を用いた理論的基礎を提供する。 ベンチマークデータセットに対するアプローチの競合性能を実証的に示す。
  論文  参考訳（メタデータ） (2020-05-05T00:03:48Z)

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。