論文の概要: TShape: Rescuing Machine Learning Models from Complex Shapelet Anomalies

• arxiv url: http://arxiv.org/abs/2510.00680v1
• Date: Wed, 01 Oct 2025 09:03:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.481168
• Title: TShape: Rescuing Machine Learning Models from Complex Shapelet Anomalies
• Title（参考訳）: TShape: 複雑なシェープレット異常から機械学習モデルを救う
• Authors: Hang Cui, Jingjing Li, Haotian Si, Quan Zhou, Changhua Pei, Gaogang Xie, Dan Pei,
• Abstract要約: 時系列異常検出(TSAD)は、現代のITインフラの信頼性を維持する上で重要である。 本稿では,産業時系列異常検出の課題に対処する新しいフレームワークであるTShapeを紹介する。
• 参考スコア（独自算出の注目度）: 20.065700273686254
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series anomaly detection (TSAD) is critical for maintaining the reliability of modern IT infrastructures, where complex anomalies frequently arise in highly dynamic environments. In this paper, we present TShape, a novel framework designed to address the challenges in industrial time series anomaly detection. Existing methods often struggle to detect shapelet anomalies that manifest as complex shape deviations, which appear obvious to human experts but prove challenging for machine learning algorithms. TShape introduces a patch-wise dual attention mechanism with multi-scale convolution to model intricate sub-sequence variations by balancing local, fine-grained shape features with global contextual dependencies. Our extensive evaluation on five diverse benchmarks demonstrates that TShape outperforms existing state-of-the-art models, achieving an average 10\% F1 score improvement in anomaly detection. Additionally, ablation studies and attention visualizations confirm the essential contributions of each component, highlighting the robustness and adaptability of TShape to complex shapelet shapes in time series data.
• Abstract（参考訳）: 時系列異常検出(TSAD)は、複雑な異常がしばしば非常にダイナミックな環境で発生する現代のITインフラの信頼性を維持するために重要である。 本稿では,産業時系列異常検出の課題に対処する新しいフレームワークであるTShapeを提案する。 既存の手法では、複雑な形状のずれとして現れるシェイプレットの異常を検出するのに苦労することが多い。 TShapeは、局所的、きめ細かい形状の特徴とグローバルな文脈依存性のバランスをとることで、複雑なサブシーケンス変動をモデル化するために、マルチスケールの畳み込みを伴うパッチワイドなデュアルアテンションメカニズムを導入している。 5つの多様なベンチマークにおいて、TShapeは既存の最先端モデルよりも優れており、異常検出における平均10倍のF1スコア向上を実現していることを示す。 さらに、アブレーション研究とアテンションビジュアライゼーションは、時系列データにおける複雑な形状へのTShapeの堅牢性と適応性を強調し、各コンポーネントの本質的な寄与を裏付けるものである。

関連論文リスト

• Causal Discovery in Multivariate Time Series through Mutual Information Featurization [0.1657441317977376]
  時間的因果関係(TD2C)は、情報理論と統計的記述の豊富なセットから複雑な因果的シグネチャを認識することを学ぶ。 以上の結果から,TD2Cは最先端の性能を達成し,確立された手法を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2025-08-03T17:03:13Z)
• 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)
• Explainable AI for Multivariate Time Series Pattern Exploration: Latent Space Visual Analytics with Temporal Fusion Transformer and Variational Autoencoders in Power Grid Event Diagnosis [1.170167705525779]
  本稿では、時間融合変換器(TFT)と変分自動符号化器(VAE)の2つの生成AIモデルを統合する新しい視覚分析フレームワークを提案する。 複雑なパターンを低次元の潜在空間に還元し、PCA, t-SNE, UMAPなどの次元還元技術を用いて2次元でDBSCANで可視化する。 このフレームワークは電力グリッド信号データのケーススタディを通じて実証され、多様な根本原因を持つ障害や異常を含むマルチラベルグリッドイベントシグネチャを識別する。
  論文  参考訳（メタデータ） (2024-12-20T17:41:11Z)
• Training-Free Time-Series Anomaly Detection: Leveraging Image Foundation Models [0.0]
  画像ベースでトレーニング不要な時系列異常検出(ITF-TAD)手法を提案する。 ITF-TADは、時系列データをウェーブレット変換を用いて画像に変換し、それらを単一の表現に圧縮し、画像基礎モデルを利用して異常検出を行う。
  論文  参考訳（メタデータ） (2024-08-27T03:12:08Z)
• 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)
• 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)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
  時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。 時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。 本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
  論文  参考訳（メタデータ） (2022-11-09T22:40:22Z)
• Implicit field supervision for robust non-rigid shape matching [29.7672368261038]
  2つの非剛性変形形状の対応を確立することは、ビジュアルコンピューティングにおける最も基本的な問題の1つである。 固定テンプレート上で連続的な形状の変形場を学習する自動デコーダフレームワークに基づく手法を提案する。 本手法は強い人工物の存在下では極めて堅牢であり,任意の形状のカテゴリに一般化することができる。
  論文  参考訳（メタデータ） (2022-03-15T07:22:52Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)

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。