論文の概要: Moon: A Modality Conversion-based Efficient Multivariate Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2510.01970v1
• Date: Thu, 02 Oct 2025 12:43:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:21.130387
• Title: Moon: A Modality Conversion-based Efficient Multivariate Time Series Anomaly Detection
• Title（参考訳）: 月: モダリティ変換に基づく高効率多変量時系列異常検出
• Authors: Yuanyuan Yao, Yuhan Shi, Lu Chen, Ziquan Fang, Yunjun Gao, Leong Hou U, Yushuai Li, Tianyi Li,
• Abstract要約: 教師付きモダリティ変換に基づく多変量時系列異常検出フレームワークを提案する。 月は異常検出の効率と精度を高め、詳細な異常解析レポートを提供する。 月の効率は最大93%、精度は4%、解釈性能は10.8%である。
• 参考スコア（独自算出の注目度）: 28.731956469087578
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multivariate time series (MTS) anomaly detection identifies abnormal patterns where each timestamp contains multiple variables. Existing MTS anomaly detection methods fall into three categories: reconstruction-based, prediction-based, and classifier-based methods. However, these methods face two key challenges: (1) Unsupervised learning methods, such as reconstruction-based and prediction-based methods, rely on error thresholds, which can lead to inaccuracies; (2) Semi-supervised methods mainly model normal data and often underuse anomaly labels, limiting detection of subtle anomalies;(3) Supervised learning methods, such as classifier-based approaches, often fail to capture local relationships, incur high computational costs, and are constrained by the scarcity of labeled data. To address these limitations, we propose Moon, a supervised modality conversion-based multivariate time series anomaly detection framework. Moon enhances the efficiency and accuracy of anomaly detection while providing detailed anomaly analysis reports. First, Moon introduces a novel multivariate Markov Transition Field (MV-MTF) technique to convert numeric time series data into image representations, capturing relationships across variables and timestamps. Since numeric data retains unique patterns that cannot be fully captured by image conversion alone, Moon employs a Multimodal-CNN to integrate numeric and image data through a feature fusion model with parameter sharing, enhancing training efficiency. Finally, a SHAP-based anomaly explainer identifies key variables contributing to anomalies, improving interpretability. Extensive experiments on six real-world MTS datasets demonstrate that Moon outperforms six state-of-the-art methods by up to 93% in efficiency, 4% in accuracy and, 10.8% in interpretation performance.
• Abstract（参考訳）: 多変量時系列(MTS)異常検出は、各タイムスタンプが複数の変数を含む異常パターンを検出する。 既存のMSS異常検出法は、再構成ベース、予測ベース、分類器ベースという3つのカテゴリに分類される。 しかし,これらの手法は,(1)再構成に基づく手法や予測に基づく手法などの教師なし学習手法は,不正確性につながるエラーしきい値に依存している,(2)正常なデータをモデル化し,しばしば異常なラベルを過小評価する半教師付き手法は,微妙な異常の検出を制限している,(3)局所的な関係を捉えるのに失敗し,高い計算コストがかかり,ラベル付きデータの不足によって制約される,という2つの課題に直面している。 これらの制約に対処するため、教師付きモダリティ変換に基づく多変量時系列異常検出フレームワークであるMoonを提案する。 月は異常検出の効率と精度を高め、詳細な異常解析レポートを提供する。 まず、Moonは、数値時系列データを画像表現に変換し、変数とタイムスタンプ間の関係をキャプチャする、新しい多変量マルコフ遷移場(MV-MTF)技術を導入する。 数値データは、画像変換だけではキャプチャできないユニークなパターンを保持するため、MoonはMultimodal-CNNを使用して、パラメータ共有を伴う特徴融合モデルを通じて数値と画像データを統合し、トレーニング効率を向上させる。 最後に、SHAPベースの異常説明器は、異常に寄与する主要な変数を特定し、解釈性を向上させる。 6つの実世界のMTSデータセットの大規模な実験により、月は6つの最先端手法を最大93%の効率、4%の精度、そして10.8%の解釈性能で上回っていることが示された。

関連論文リスト

• Deep Multi-Manifold Transformation Based Multivariate Time Series Fault Detection [22.005142941322912]
  本稿では, 近傍型データ拡張戦略と多次元表現学習フレームワークを組み合わせた新しい手法を提案する。 提案手法は精度とロバスト性の両方において優れた性能を示し, 一般化と実世界の展開の可能性を示す。
  論文  参考訳（メタデータ） (2024-05-25T14:48:04Z)
• 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)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• Learning Multi-Pattern Normalities in the Frequency Domain for Efficient Time Series Anomaly Detection [37.992737349167676]
  時系列異常検出のための周波数領域における多重正規パターン対応異常検出手法を提案する。 i) 統一モデルで多様な正規パターンを扱うのに優れたパターン抽出機構、(ii) 時間領域における短期異常を増幅し周波数領域における異常の再構築を妨げる双対的畳み込み機構、(iii) 周波数領域のスパーシリティと並列性を活用してモデル効率を向上させる。
  論文  参考訳（メタデータ） (2023-11-26T03:31:43Z)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• Detecting Multivariate Time Series Anomalies with Zero Known Label [17.930211011723447]
  MTGFlowは多変量時系列異常検出のための教師なし異常検出手法である。 エンティティ間の複雑な相互依存性と各エンティティ固有の特性は、密度推定に重大な課題を生じさせる。 7つのベースラインを持つ5つの公開データセットの実験が行われ、MTGFlowはSOTA法を最大5.0AUROC%で上回っている。
  論文  参考訳（メタデータ） (2022-08-03T14:38:19Z)
• 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)
• 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。