論文の概要: An Encode-then-Decompose Approach to Unsupervised Time Series Anomaly Detection on Contaminated Training Data--Extended Version

• arxiv url: http://arxiv.org/abs/2510.18998v1
• Date: Tue, 21 Oct 2025 18:23:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:14.438288
• Title: An Encode-then-Decompose Approach to Unsupervised Time Series Anomaly Detection on Contaminated Training Data--Extended Version
• Title（参考訳）: 汚染データに基づく教師なし時系列異常検出のためのエンコード理論分解手法-拡張バージョン-
• Authors: Buang Zhang, Tung Kieu, Xiangfei Qiu, Chenjuan Guo, Jilin Hu, Aoying Zhou, Christian S. Jensen, Bin Yang,
• Abstract要約: 時系列異常検出は、現代の大規模システムにおいて、多様なシステムの動作を分析し、監視するために重要である。 教師なしのアプローチは、トレーニング中に異常なラベルを必要としないため、広く関心を集めている。 そこで我々は,符号化された表現を安定かつ補助的な表現に分解する,新しいエンコード-then-decomposeパラダイムを提案する。
• 参考スコア（独自算出の注目度）: 31.029023011951793
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Time series anomaly detection is important in modern large-scale systems and is applied in a variety of domains to analyze and monitor the operation of diverse systems. Unsupervised approaches have received widespread interest, as they do not require anomaly labels during training, thus avoiding potentially high costs and having wider applications. Among these, autoencoders have received extensive attention. They use reconstruction errors from compressed representations to define anomaly scores. However, representations learned by autoencoders are sensitive to anomalies in training time series, causing reduced accuracy. We propose a novel encode-then-decompose paradigm, where we decompose the encoded representation into stable and auxiliary representations, thereby enhancing the robustness when training with contaminated time series. In addition, we propose a novel mutual information based metric to replace the reconstruction errors for identifying anomalies. Our proposal demonstrates competitive or state-of-the-art performance on eight commonly used multi- and univariate time series benchmarks and exhibits robustness to time series with different contamination ratios.
• Abstract（参考訳）: 時系列異常検出は、現代の大規模システムにおいて重要であり、様々な領域に応用され、多様なシステムの動作を分析し、監視する。 教師なしのアプローチは、トレーニング中に異常なラベルを必要とせず、潜在的に高いコストを回避し、幅広い用途を持つため、広く関心を集めている。 このうち、オートエンコーダは広く注目を集めている。 圧縮された表現からの再構成エラーを使用して異常スコアを定義する。 しかし、オートエンコーダが学習した表現はトレーニング時系列の異常に敏感であり、精度が低下する。 本稿では, 符号化された表現を安定かつ補助的な表現に分解し, 汚染時系列を用いたトレーニング時のロバスト性を向上する, 新たなエンコード・then-decomposeパラダイムを提案する。 さらに,異常を識別するための再構成誤りを置き換えるための新しい相互情報ベースメトリクスを提案する。 提案手法は,多変量・多変量時系列の8つのベンチマークにおいて,競合性や最先端性能を示し,汚染率の異なる時系列に対して頑健性を示す。

関連論文リスト

• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [89.92916473403108]
  本稿では,新しい手法のモジュラーフレームワークであるADerの総合的な視覚異常検出ベンチマークを提案する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• Targeted collapse regularized autoencoder for anomaly detection: black hole at the center [3.924781781769534]
  オートエンコーダは通常のクラスを超えて一般化することができ、いくつかの異常なサンプルに対して小さな再構成誤差を達成できる。 我々は、ニューラルネットワークコンポーネントの追加、計算の関与、煩雑なトレーニングの代わりに、再構成損失を計算的に軽い用語で補うという、驚くほど簡単な方法を提案する。 これは、オートエンコーダに基づく異常検出アルゴリズムのブラックボックスの性質を緩和し、さらなる利点、障害事例、潜在的な新しい方向の解明のための道筋を提供する。
  論文  参考訳（メタデータ） (2023-06-22T01:33:47Z)
• 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)
• 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)
• Recurrent Auto-Encoder With Multi-Resolution Ensemble and Predictive Coding for Multivariate Time-Series Anomaly Detection [3.772827533440353]
  実世界の時系列データは複雑な時間的依存関係を示す。 RAE-M EPCは多解像度アンサンブルと予測符号化に基づいて情報正規表現を学習する。 実世界のベンチマークデータセットの実験は、提案されたモデルがベンチマークモデルより優れていることを示している。
  論文  参考訳（メタデータ） (2022-02-21T05:47:22Z)
• An Attention-based ConvLSTM Autoencoder with Dynamic Thresholding for Unsupervised Anomaly Detection in Multivariate Time Series [2.9685635948299995]
  本稿では,異常検出と診断を行うための動的閾値保持(ACLAE-DT)フレームワークを用いた非教師付き注意型畳み込み長短期記憶(ConvLSTM)オートエンコーダを提案する。 フレームワークは、システムステータスを特徴付ける機能イメージを構築する前に、データの事前処理と強化から始まります。 構築した特徴画像は注意に基づくConvLSTMオートエンコーダに入力される。 その後、再構成エラーを計算し、統計に基づく動的しきい値決定機構により異常を検出し診断する。
  論文  参考訳（メタデータ） (2022-01-23T04:01:43Z)
• Memory-augmented Adversarial Autoencoders for Multivariate Time-series Anomaly Detection with Deep Reconstruction and Prediction [4.033624665609417]
  本稿では,時系列の非教師付き異常検出手法であるMemAAEを提案する。 2つの補完的プロキシタスク、再構築と予測を共同でトレーニングすることにより、複数のタスクによる異常検出が優れた性能を得ることを示す。 MemAAEは4つの公開データセットで総合F1スコアの0.90を達成し、最高のベースラインである0.02を上回っている。
  論文  参考訳（メタデータ） (2021-10-15T18:29:05Z)

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。