論文の概要: Structured Temporal Causality for Interpretable Multivariate Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2510.16511v1
• Date: Sat, 18 Oct 2025 13:53:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.020423
• Title: Structured Temporal Causality for Interpretable Multivariate Time Series Anomaly Detection
• Title（参考訳）: 多変量時系列異常検出のための構造的時間的因果性
• Authors: Dongchan Cho, Jiho Han, Keumyeong Kang, Minsang Kim, Honggyu Ryu, Namsoon Jung,
• Abstract要約: OracleADは時系列異常検出のための教師なしフレームワークである。 予測誤差と安定遅延構造からの偏差に基づく二重スコアリング機構を用いて異常を同定する。 OracleADは、複数の実世界のデータセットと評価プロトコルにまたがって最先端の結果を達成する。
• 参考スコア（独自算出の注目度）: 1.6111818380407035
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Real-world multivariate time series anomalies are rare and often unlabeled. Additionally, prevailing methods rely on increasingly complex architectures tuned to benchmarks, detecting only fragments of anomalous segments and overstating performance. In this paper, we introduce OracleAD, a simple and interpretable unsupervised framework for multivariate time series anomaly detection. OracleAD encodes each variable's past sequence into a single causal embedding to jointly predict the present time point and reconstruct the input window, effectively modeling temporal dynamics. These embeddings then undergo a self-attention mechanism to project them into a shared latent space and capture spatial relationships. These relationships are not static, since they are modeled by a property that emerges from each variable's temporal dynamics. The projected embeddings are aligned to a Stable Latent Structure (SLS) representing normal-state relationships. Anomalies are identified using a dual scoring mechanism based on prediction error and deviation from the SLS, enabling fine-grained anomaly diagnosis at each time point and across individual variables. Since any noticeable SLS deviation originates from embeddings that violate the learned temporal causality of normal data, OracleAD directly pinpoints the root-cause variables at the embedding level. OracleAD achieves state-of-the-art results across multiple real-world datasets and evaluation protocols, while remaining interpretable through SLS.
• Abstract（参考訳）: 実世界の多変量時系列異常は稀であり、しばしばラベル付けされていない。 さらに、一般的な手法は、ベンチマークに調整されたますます複雑なアーキテクチャに依存し、異常なセグメントの断片のみを検出し、性能を過大評価する。 本稿では,多変量時系列異常検出のための簡易かつ解釈不能なフレームワークであるOracleADを紹介する。 OracleADは、各変数の過去のシーケンスを単一の因果埋め込みにエンコードして、現在の時点を共同で予測し、入力ウィンドウを再構築し、時間的ダイナミクスを効果的にモデル化する。 これらの埋め込みは自己認識機構を施し、共有された潜在空間に投影し、空間的関係を捉える。 これらの関係は、各変数の時間的ダイナミクスから生じる特性によってモデル化されるため、静的ではない。 投影された埋め込みは、通常状態の関係を表す安定な潜在構造(SLS)に整列される。 予測誤差とSLSからの偏差に基づく二重スコアリング機構を用いて異常を同定し、各時点および各変数の詳細な異常診断を可能にする。 注目すべきSLS偏差は、通常のデータの学習した時間的因果性に反する埋め込みに由来するため、OracleADは、埋め込みレベルで根本原因変数を直接ピンポイントする。 OracleADは、複数の実世界のデータセットと評価プロトコルにまたがって最先端の結果を達成すると同時に、SLSを通じて解釈可能である。

関連論文リスト

• Beyond Marginals: Learning Joint Spatio-Temporal Patterns for Multivariate Anomaly Detection [2.893006778402251]
  時系列データでは、関連時系列の同時ずれにより異常を示すことができる。 我々のアプローチは、潜在空間における結合依存をモデル化することでこの問題に対処する。
  論文  参考訳（メタデータ） (2025-09-18T14:57:55Z)
• 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)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Causal Temporal Regime Structure Learning [49.77103348208835]
  本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。 我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。 実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-02T17:26:49Z)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• AnomalyBERT: Self-Supervised Transformer for Time Series Anomaly Detection using Data Degradation Scheme [0.7216399430290167]
  時系列、特にラベルなしデータに対する異常検出タスクは、難しい問題である。 自己教師型モデルトレーニングに適切なデータ劣化スキームを適用することで、この問題に対処する。 自己認識機構に触発されて、時間的文脈を認識するトランスフォーマーベースのアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2023-05-08T05:42:24Z)
• Time series anomaly detection with reconstruction-based state-space models [10.085100442558828]
  本稿では,時系列データに対する新しい教師なし異常検出手法を提案する。 長い短期記憶(LSTM)ベースのエンコーダデコーダを用いて観測空間と潜時空間のマッピングを行う。 潜在空間の正規化は、通常のサンプルの状態に制約を課し、マハラノビス距離を用いて異常レベルを評価する。
  論文  参考訳（メタデータ） (2023-03-06T17:52:35Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)

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。