論文の概要: CLEANet: Robust and Efficient Anomaly Detection in Contaminated Multivariate Time Series
- arxiv url: http://arxiv.org/abs/2510.22619v1
- Date: Sun, 26 Oct 2025 10:34:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-28 19:54:32.543662
- Title: CLEANet: Robust and Efficient Anomaly Detection in Contaminated Multivariate Time Series
- Title（参考訳）: CLEANet:汚染された多変量時系列におけるロバストかつ効率的な異常検出
- Abstract要約: CLEANetは汚染時系列における堅牢で効率的な異常検出フレームワークである。
CleanetがCRTF(Contamination-Resilient Training Framework)を導入
cleanetは10の最先端ベースラインと比較して、より高いF1と81.28%低いランタイムを緩和する。
- 参考スコア（独自算出の注目度）: 17.992163690121565
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multivariate time series (MTS) anomaly detection is essential for maintaining the reliability of industrial systems, yet real-world deployment is hindered by two critical challenges: training data contamination (noises and hidden anomalies) and inefficient model inference. Existing unsupervised methods assume clean training data, but contamination distorts learned patterns and degrades detection accuracy. Meanwhile, complex deep models often overfit to contamination and suffer from high latency, limiting practical use. To address these challenges, we propose CLEANet, a robust and efficient anomaly detection framework in contaminated multivariate time series. CLEANet introduces a Contamination-Resilient Training Framework (CRTF) that mitigates the impact of corrupted samples through an adaptive reconstruction weighting strategy combined with clustering-guided contrastive learning, thereby enhancing robustness. To further avoid overfitting on contaminated data and improve computational efficiency, we design a lightweight conjugate MLP that disentangles temporal and cross-feature dependencies. Across five public datasets, CLEANet achieves up to 73.04% higher F1 and 81.28% lower runtime compared with ten state-of-the-art baselines. Furthermore, integrating CRTF into three advanced models yields an average 5.35% F1 gain, confirming its strong generalizability.
- Abstract（参考訳）: 多変量時系列(MTS)異常検出は、産業システムの信頼性を維持するために不可欠であるが、実世界の展開は、データ汚染(ノイズと隠れた異常)の訓練と非効率なモデル推論の2つの重要な課題によって妨げられている。
既存の教師なしの手法では、クリーンなトレーニングデータを仮定するが、汚染は学習パターンを歪め、検出精度を低下させる。
一方、複雑な深層モデルは、しばしば汚染に過度に適応し、高いレイテンシに悩まされ、実用的な使用が制限される。
これらの課題に対処するために,汚染された多変量時系列における堅牢かつ効率的な異常検出フレームワークであるCLEANetを提案する。
CLEANetは、クラスタリング誘導コントラスト学習と組み合わせた適応的再構成重み付け戦略により、破損したサンプルの影響を軽減し、堅牢性を高める汚染耐性トレーニングフレームワーク(CRTF)を導入している。
さらに, 汚染データへの過度な適合を回避し, 計算効率を向上させるために, 時間的および機能的依存関係を分散させる軽量共役型MLPを設計する。
5つの公開データセットで、CLEANetは10の最先端ベースラインと比較して最大73.04%高いF1と81.28%低いランタイムを達成する。
さらに、CRTFを3つの先進モデルに統合すると、平均5.35%のF1ゲインが得られる。
関連論文リスト
- Data Scarcity and Model Sparsity: Mixtures-of-Experts Overfit More to Repeated Data [119.14301046837822]
データ繰り返しにおいて、Mixture-of-Experts(MoEs)はより高速に劣化することを示す。
データが64回以上繰り返された場合でも、MoEは高密度モデルより優れている。
高繰り返し状態におけるMoE過剰適合と相関する内部機構を解析した。
論文 参考訳（メタデータ） (2026-09-10T17:57:33Z) - Detecting the Undetectable: Enhancing Unsupervised time series Anomaly Detection via Active Learning [9.53248032827498]
大規模産業では、時系列データのラベル付けは高価で時間を要することが多い。
本稿では,能動的学習を活用して教師なしモデルの性能を反復的に向上する新しいフレームワークを提案する。
本フレームワークのコアコントリビューションは,(1)頑健な時間依存を学習させるマスク付き時系列再構成フィードバック戦略,(2)正常なサンプルと異常なサンプルを区別して頑健性を促進する最小学習戦略である。
論文 参考訳（メタデータ） (2026-07-01T10:08:49Z) - TimeLAVA: Learning-Agnostic Data Valuation for Time Series [48.76711740818533]
TimeLAVAは、評価データと参照データの間の分布差を最小限に抑えるために、時間セグメントを限界貢献によって評価する学習非依存のフレームワークである。
モデルに依存しない一般化にバリュエーションをリンクする理論的保証を提供し、汚染に対する有界感度を証明する。
論文 参考訳（メタデータ） (2026-06-17T06:16:16Z) - TS-Fault: Benchmarking Time Series Forecasters Against Structural Faults [22.88447833683736]
時系列予測(TSF)は、エネルギー、輸送、金融、医療の連続的な決定を支えている。
TSFモデルは、デプロイされた信頼性を予測するという暗黙の仮定の下で、クリーンなホールトアウトデータ上の1つの数でほぼ普遍的にランク付けされる。
TS-Faultは、制御可能な意味的難易度を持つ明示的でパラメータ化された障害シナリオの下で予測モデルを評価するベンチマークである。
論文 参考訳（メタデータ） (2026-06-16T23:15:20Z) - TRACER: A Semantic-Aware Framework for Fine-Grained Contamination Detection in Code LLMs [5.739404573725206]
コード汚染検出のためのセマンティック・アウェア・フレームワークであるTRACERを提案する。
TRACERは3つのレベルのセマンティックオーバーラップを使って汚染をモデル化する。
また、広く使用されている3つのベンチマークと、トレーニング後の代表的な3つのデータセットにまたがる、きめ細かいコード汚染検出のための最初のベンチマークも紹介する。
論文 参考訳（メタデータ） (2026-05-22T17:30:20Z) - A Deformable Attention-Based Detection Transformer with Cross-Scale Feature Fusion for Industrial Coil Spring Inspection [0.6159133786557902]
本稿では,MSD-DETR(Multi-Scale Deformable Detection Transformer)を提案する。
MSD-DETRは98 FPSで92.4% mAP@0.5を達成した。
論文 参考訳（メタデータ） (2026-03-13T03:35:15Z) - Semi-supervised and unsupervised learning for health indicator extraction from guided waves in aerospace composite structures [0.6922116595976161]
健康指標(HIs)は、航空宇宙複合構造物の状態の診断と診断の中心である。
本研究では、マルチドメイン信号処理と統合された2つの学習手法を用いてHIを学習するデータ駆動型フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-28T16:44:11Z) - Localized Kernel Projection Outlyingness: A Two-Stage Approach for Multi-Modal Outlier Detection [0.0]
Two-Stage LKPLOは、新しいマルチステージアウトレイラ検出フレームワークである。
従来の射影的手法の制約を克服する。
挑戦的なデータセットで最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2025-10-28T03:53:46Z) - Scalable, Explainable and Provably Robust Anomaly Detection with One-Step Flow Matching [14.503330877000758]
Time-Conditioned Contraction Matching is a novel method for semi-supervised anomaly detection in tabular data。
これは、確率分布間の速度場を学習する最近の生成モデリングフレームワークであるフローマッチングにインスパイアされている。
ADBenchベンチマークの大規模な実験により、TCCMは検出精度と推論コストのバランスが良好であることが示されている。
論文 参考訳（メタデータ） (2025-10-21T06:26:38Z) - Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
現実の時系列では欠落値が一般的である。
現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。
このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。
本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
論文 参考訳（メタデータ） (2025-09-27T20:57:48Z) - Backdoor Cleaning without External Guidance in MLLM Fine-tuning [76.82121084745785]
Believe Your Eyes (BYE)は、アテンションエントロピーパターンを自己教師信号として活用して、バックドアサンプルを特定してフィルタリングするデータフィルタリングフレームワークである。
クリーンタスクのパフォーマンスを維持しながら、ほぼゼロの攻撃成功率を達成する。
論文 参考訳（メタデータ） (2025-05-22T17:11:58Z) - AdvKT: An Adversarial Multi-Step Training Framework for Knowledge Tracing [64.79967583649407]
知識追跡(KT)は、学生の知識状態を監視し、質問シーケンスに対する反応をシミュレートする。
既存のKTモデルは通常、単一ステップのトレーニングパラダイムに従っており、大きなエラーの蓄積につながる。
本稿では,多段階KTタスクに着目した新しい知識追跡のための多段階学習フレームワーク(AdvKT)を提案する。
論文 参考訳（メタデータ） (2025-04-07T03:31:57Z) - Adversarial Purification by Consistency-aware Latent Space Optimization on Data Manifolds [48.37843602248313]
ディープニューラルネットワーク(DNN)は、クリーンデータに知覚不能な摂動を加えることで作られた敵のサンプルに対して脆弱であり、誤った危険な予測につながる可能性がある。
本稿では、事前学習された一貫性モデルの潜在空間内のベクトルを最適化し、クリーンなデータを復元するためのサンプルを生成する、一貫性モデルに基づく適応的パーフィケーション(CMAP)を提案する。
CMAPは、高い自然な精度を維持しながら、強力な敵攻撃に対する堅牢性を著しく向上させる。
論文 参考訳（メタデータ） (2024-12-11T14:14:02Z) - Both Text and Images Leaked! A Systematic Analysis of Data Contamination in Multimodal LLM [53.05486269607166]
マルチモーダルな大言語モデル (MLLM) はベンチマーク間で大幅に性能が向上した。
マルチモーダルデータ複雑性とマルチフェーズトレーニングのため,既存のLLM検出手法はMLLMでは不十分である。
我々は分析フレームワークMM-Detectを用いてマルチモーダルデータの汚染を分析する。
論文 参考訳（メタデータ） (2024-11-06T10:44:15Z) - Angel or Devil: Discriminating Hard Samples and Anomaly Contaminations for Unsupervised Time Series Anomaly Detection [4.767887707515356]
「無監督時系列異常検出の訓練は、有害な有害な異常汚染と有益なハードノーマルサンプルの識別に常に悩まされている。」
論文 参考訳（メタデータ） (2024-10-26T13:59:23Z) - HCL-MTSAD: Hierarchical Contrastive Consistency Learning for Accurate Detection of Industrial Multivariate Time Series Anomalies [4.806959791183183]
本稿では,産業用MSSにおける異常検出のための自己教師付き階層的コントラスト整合学習手法を提案する。
HCL-MTSADはマルチレイヤのコントラスト損失を発生させることで、データの一貫性とタイムスタンプと時間的関連を広範囲にマイニングすることができる。
HCL-MTSADの異常検出能力は、F1スコアの平均1.8%で最先端のベンチマークモデルを上回っている。
論文 参考訳（メタデータ） (2024-04-12T03:39:33Z) - Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。
提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
論文 参考訳（メタデータ） (2023-12-03T05:52:30Z) - Towards Robust Recommender Systems via Triple Cooperative Defense [63.64651805384898]
レコメンダシステムは、よく作られた偽のプロフィールに影響を受けやすいことが多く、バイアスのあるレコメンデーションにつながる。
本稿では,3つのモデルの協調学習によるモデルロバスト性向上に協力する汎用フレームワークであるトリプル協調防衛を提案する。
その結果,TCDの堅牢性向上はベースラインを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2022-10-25T04:45:43Z)
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。