論文の概要: CrossAD: Time Series Anomaly Detection with Cross-scale Associations and Cross-window Modeling

• arxiv url: http://arxiv.org/abs/2510.12489v1
• Date: Tue, 14 Oct 2025 13:24:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.326306
• Title: CrossAD: Time Series Anomaly Detection with Cross-scale Associations and Cross-window Modeling
• Title（参考訳）: CrossAD:クロススケールアソシエーションによる時系列異常検出とクロスウィンドウモデリング
• Authors: Beibu Li, Qichao Shentu, Yang Shu, Hui Zhang, Ming Li, Ning Jin, Bin Yang, Chenjuan Guo,
• Abstract要約: 時系列異常検出は、幅広い現実世界の応用において重要な役割を果たす。 既存の手法は、しばしば個別にマルチスケール情報をモデル化するか、単純な機能融合戦略に依存している。 そこで我々は,クロススケールアソシエーションとクロスウィンドウモデリングを考慮した時系列異常検出のための新しいフレームワークであるCrossADを提案する。
• 参考スコア（独自算出の注目度）: 21.116017703252908
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series anomaly detection plays a crucial role in a wide range of real-world applications. Given that time series data can exhibit different patterns at different sampling granularities, multi-scale modeling has proven beneficial for uncovering latent anomaly patterns that may not be apparent at a single scale. However, existing methods often model multi-scale information independently or rely on simple feature fusion strategies, neglecting the dynamic changes in cross-scale associations that occur during anomalies. Moreover, most approaches perform multi-scale modeling based on fixed sliding windows, which limits their ability to capture comprehensive contextual information. In this work, we propose CrossAD, a novel framework for time series Anomaly Detection that takes Cross-scale associations and Cross-window modeling into account. We propose a cross-scale reconstruction that reconstructs fine-grained series from coarser series, explicitly capturing cross-scale associations. Furthermore, we design a query library and incorporate global multi-scale context to overcome the limitations imposed by fixed window sizes. Extensive experiments conducted on multiple real-world datasets using nine evaluation metrics validate the effectiveness of CrossAD, demonstrating state-of-the-art performance in anomaly detection.
• Abstract（参考訳）: 時系列異常検出は、幅広い現実世界の応用において重要な役割を果たす。 時系列データが異なるサンプリング粒度で異なるパターンを表現できることを考えると、マルチスケールモデリングは単一のスケールでは明らかでない潜在異常パターンを明らかにするのに有益であることが証明されている。 しかし、既存の手法は、しばしば個別にマルチスケール情報をモデル化するか、または単純な特徴融合戦略に依存し、異常時に発生するクロススケール関連の動的変化を無視する。 さらに、ほとんどの手法は、固定されたスライディングウインドウに基づくマルチスケールモデリングを行い、包括的なコンテキスト情報をキャプチャする能力を制限する。 本研究では,クロススケールアソシエーションとクロスウィンドウモデリングを考慮した時系列異常検出のための新しいフレームワークであるCrossADを提案する。 本稿では,粗い系列から微粒な系列を再構築し,クロススケールな関係を明示的に捉えたクロススケールな再構成を提案する。 さらに,固定ウィンドウサイズによる制約を克服するため,クエリライブラリを設計し,グローバルなマルチスケールコンテキストを取り入れた。 9つの評価指標を用いて、複数の実世界のデータセットで実施された大規模な実験により、CrossADの有効性が検証され、異常検出における最先端のパフォーマンスが実証された。

関連論文リスト

• VIFO: Visual Feature Empowered Multivariate Time Series Forecasting with Cross-Modal Fusion [30.95449991386488]
  時系列モデルのための時空間予測モデルVIFOを提案する。 多変量時系列をイメージ化し、事前訓練されたLVMで複雑なチャネル間のパターンを抽出する。 複数のベンチマークで競合性能を達成する。
  論文  参考訳（メタデータ） (2025-09-25T14:02:26Z)
• 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)
• 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)
• 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)
• 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)
• Multivariate Time-series Anomaly Detection via Graph Attention Network [27.12694738711663]
  多変量時系列の異常検出は、データマイニング研究と産業応用の両方において非常に重要である。 1つの大きな制限は、異なる時系列間の関係を明示的に捉えないことである。 この問題に対処するために,多変量時系列異常検出のための新しい自己教師型フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-04T07:46:19Z)
• MuCAN: Multi-Correspondence Aggregation Network for Video Super-Resolution [63.02785017714131]
  ビデオ超解像(VSR)は、複数の低解像度フレームを使用して、各フレームに対して高解像度の予測を生成することを目的としている。 フレーム間およびフレーム内は、時間的および空間的情報を利用するための鍵となるソースである。 VSRのための効果的なマルチ対応アグリゲーションネットワーク(MuCAN)を構築した。
  論文  参考訳（メタデータ） (2020-07-23T05:41:27Z)

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。