論文の概要: MSAD: A Deep Dive into Model Selection for Time series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2510.26643v1
• Date: Thu, 30 Oct 2025 16:09:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.898928
• Title: MSAD: A Deep Dive into Model Selection for Time series Anomaly Detection
• Title（参考訳）: MSAD:時系列異常検出のためのモデル選択
• Authors: Emmanouil Sylligardos, John Paparrizos, Themis Palpanas, Pierre Senellart, Paul Boniol,
• Abstract要約: 異常検出は時系列分析の基本的な課題である。 非常に異種時系列に適用した場合、全体的な最良の異常検出方法は存在しない。 既存のAutoMLソリューションは、残念ながら、時系列異常検出に直接適用できない。
• 参考スコア（独自算出の注目度）: 13.15424393895753
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection is a fundamental task for time series analytics with important implications for the downstream performance of many applications. Despite increasing academic interest and the large number of methods proposed in the literature, recent benchmarks and evaluation studies demonstrated that no overall best anomaly detection methods exist when applied to very heterogeneous time series datasets. Therefore, the only scalable and viable solution to solve anomaly detection over very different time series collected from diverse domains is to propose a model selection method that will select, based on time series characteristics, the best anomaly detection methods to run. Existing AutoML solutions are, unfortunately, not directly applicable to time series anomaly detection, and no evaluation of time series-based approaches for model selection exists. Towards that direction, this paper studies the performance of time series classification methods used as model selection for anomaly detection. In total, we evaluate 234 model configurations derived from 16 base classifiers across more than 1980 time series, and we propose the first extensive experimental evaluation of time series classification as model selection for anomaly detection. Our results demonstrate that model selection methods outperform every single anomaly detection method while being in the same order of magnitude regarding execution time. This evaluation is the first step to demonstrate the accuracy and efficiency of time series classification algorithms for anomaly detection, and represents a strong baseline that can then be used to guide the model selection step in general AutoML pipelines. Preprint version of an article accepted at the VLDB Journal.
• Abstract（参考訳）: 異常検出は、多くのアプリケーションの下流性能に重要な意味を持つ時系列解析の基本的なタスクである。 学術的な関心が高まり、文献で提案された多くの手法にもかかわらず、最近のベンチマークと評価研究は、非常に異種時系列データセットに適用した場合に、全体的な異常検出方法が存在しないことを示した。 したがって、様々な領域から収集された全く異なる時系列の異常検出を解決するための、スケーラブルで実行可能な唯一の解決策は、時系列特性に基づいて、実行すべき最良の異常検出方法を選択するモデル選択法を提案することである。 既存のAutoMLソリューションは、残念ながら時系列異常検出に直接適用されず、モデル選択のための時系列ベースのアプローチの評価は存在しない。 そこで本研究では,異常検出のためのモデル選択に用いる時系列分類手法の性能について検討する。 総じて、1980年以降の時系列における16の基底分類器から得られた234のモデル構成を評価し、異常検出のためのモデル選択として、時系列分類を実験的に評価する。 その結果、モデル選択法は、実行時間に関して同じ桁の精度で、全ての異常検出法より優れていることが示された。 この評価は、異常検出のための時系列分類アルゴリズムの精度と効率を実証する最初のステップであり、一般的なAutoMLパイプラインにおけるモデル選択ステップのガイドに使用できる強力なベースラインを表している。 VLDB Journalで受理された記事のプレプリント版。

関連論文リスト

• mTSBench: Benchmarking Multivariate Time Series Anomaly Detection and Model Selection at Scale [2.610026343726206]
  mTSBenchは、MTS-ADと教師なしモデル選択において、これまでで最大のベンチマークである。 ラベル付き時系列は344で、19のデータセットと12の多様なアプリケーションドメインにまたがる。
  論文  参考訳（メタデータ） (2025-06-26T17:59:58Z)
• 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)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Unsupervised Model Selection for Time-series Anomaly Detection [7.8027110514393785]
  提案手法は, 予測誤差, モデル中心性, および, 注入された合成異常に対する性能の3種類のサロゲート(教師なし)メトリクスを同定する。 我々は、厳密なランク集約問題として、複数の不完全なサロゲート指標との計量結合を定式化する。 複数の実世界のデータセットに対する大規模な実験は、我々の提案した教師なしアプローチが、最も正確なモデルを選択するのと同じくらい効果的であることを示す。
  論文  参考訳（メタデータ） (2022-10-03T16:49:30Z)
• TiSAT: Time Series Anomaly Transformer [30.68108039722565]
  本稿では,この評価基準により,初歩的なランダム・ギーズ法が最先端の検出器より優れていることを示す。 本研究では,逐次異常検出の時系列と精度を計測する適切な評価指標を提案する。
  論文  参考訳（メタデータ） (2022-03-10T05:46:58Z)
• An Evaluation of Anomaly Detection and Diagnosis in Multivariate Time Series [7.675917669905486]
  本稿では,異常検出・診断のための教師なし・半教師付き深層学習手法の体系的・包括的評価について述べる。 我々は、10のモデルと4のスコアリング関数のグリッドを通して、モデルエラーのモデルと後処理を変え、これらの変種を最先端の手法と比較する。 既存の評価指標は、事象を考慮に入れていないか、良い検知器と自明な検出器を区別できないかのどちらかである。
  論文  参考訳（メタデータ） (2021-09-23T15:14:24Z)
• Time Series Anomaly Detection with label-free Model Selection [0.6303112417588329]
  ラベルのない時系列データに対するラベルなしモデル選択を用いた新しい異常検出アルゴリズムであるLaF-ADを提案する。 我々のアルゴリズムは容易に並列化可能であり、不条件データや季節データに対してより堅牢であり、多数の異常モデルに対して非常にスケーラブルである。
  論文  参考訳（メタデータ） (2021-06-11T00:21:06Z)
• Meta-learning One-class Classifiers with Eigenvalue Solvers for Supervised Anomaly Detection [55.888835686183995]
  教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。 提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
  論文  参考訳（メタデータ） (2021-03-01T01:43:04Z)
• 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。