論文の概要: Forecast2Anomaly (F2A): Adapting Multivariate Time Series Foundation Models for Anomaly Prediction

• arxiv url: http://arxiv.org/abs/2511.03149v1
• Date: Wed, 05 Nov 2025 03:13:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.311188
• Title: Forecast2Anomaly (F2A): Adapting Multivariate Time Series Foundation Models for Anomaly Prediction
• Title（参考訳）: Forecast2Anomaly (F2A): 異常予測のための多変量時系列基礎モデルの適用
• Authors: Atif Hassan, Tarun Kumar, Ashish Mishra, Sergey Serebryakov, Satish Kumar Mopur, Phanidhar Koganti, Murthy Chelankuri, Ramanagopal Vogety, Suparna Bhattacharya, Martin Foltin,
• Abstract要約: Forecast2Anomaly (F2A) は, TSFMに異常予測能力を付与する新しいフレームワークである。 まず,TSFMを微調整し,異常点においても将来信号の正確な予測を行う共同予測・異常損失を提案する。 第2に、歴史的に関連する地平線と条件予測を検索するRAG(Retrieval-Augmented Generation)モジュールを導入する。
• 参考スコア（独自算出の注目度）: 4.113311437158182
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Forecasting anomalies (anomaly prediction) in multivariate time series from different real-world, dynamic, and complex systems is vital for preempting critical failures, leading to a substantial minimization in operational costs and human labor. Yet, existing methods are limited to specific systems while failing to generalize to evolving anomaly patterns over time. In contrast, pretrained Time Series Foundation Models (TSFMs) have recently demonstrated strong generalization and zero-shot forecasting capabilities. However, their potential remains untapped for anomaly prediction, a task fundamentally different from forecasting normal behavior. Thus, we present Forecast2Anomaly (F2A), a novel framework that empowers TSFMs with anomaly prediction abilities through two key innovations. First, we propose a joint forecast-anomaly loss that fine-tunes TSFMs to accurately forecast future signals even at anomalous time points. Second, we introduce a Retrieval-Augmented Generation (RAG) module that retrieves historically relevant horizons and conditions predictions on them. This component dynamically adapts to distributional shifts at inference time, enabling F2A to track evolving anomalies without requiring model updates. By combining targeted fine-tuning with dynamic retrieval, F2A bridges the gap between robust TSFM zero-shot forecasting and zero-shot anomaly prediction. Extensive experiments across 16 diverse datasets and multiple TSFM backbones show that F2A consistently outperforms state-of-the-art methods, offering a scalable, zero-shot anomaly prediction solution for real-world applications.
• Abstract（参考訳）: 異なる実世界、動的、複雑なシステムから多変量時系列の異常(異常予測)を予測することは、重大な失敗をプリエンプションするために不可欠であり、運用コストと人的労働の大幅な最小化につながる。 しかし、既存の手法は特定のシステムに限られており、時間とともに進化する異常パターンに一般化できない。 対照的に、事前訓練された時系列基礎モデル(TSFM)は、最近、強力な一般化とゼロショット予測機能を示している。 しかし、それらの潜在能力は、通常の振る舞いを予測するのと根本的に異なるタスクである異常予測のために未解決のままである。 そこで我々は,2つの重要な革新を通じて,異常予測能力を備えたTSFMを実現する新しいフレームワークであるForecast2Anomaly(F2A)を提案する。 まず,TSFMを微調整し,異常点においても将来信号の正確な予測を行う共同予測・異常損失を提案する。 第2に、歴史的に関連する地平線と条件予測を検索するRAG(Retrieval-Augmented Generation)モジュールを導入する。 このコンポーネントは推論時に分散シフトに動的に適応し、モデル更新を必要とせずにF2Aが進化する異常を追跡できる。 ターゲットの微調整と動的検索を組み合わせることで、F2AはロバストなTSFMゼロショット予測とゼロショット異常予測のギャップを埋める。 16の多様なデータセットと複数のTSFMバックボーンにわたる大規模な実験によると、F2Aは最先端の手法を一貫して上回り、現実世界のアプリケーションにスケーラブルでゼロショットの異常予測ソリューションを提供する。

関連論文リスト

• Unsupervised Anomaly Prediction with N-BEATS and Graph Neural Network in Multi-variate Semiconductor Process Time Series [1.0874100424278175]
  半導体製造における異常予測には いくつか重要な課題があります 変数間の複雑な相互依存性は、異常予測と根本原因分析の両方を複雑にする。 本稿では,異常検出から異常予測まで,新たな2つのアプローチを提案する。
  論文  参考訳（メタデータ） (2025-10-23T16:33:52Z)
• SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
  本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。 第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
  論文  参考訳（メタデータ） (2025-10-22T16:11:22Z)
• TFMAdapter: Lightweight Instance-Level Adaptation of Foundation Models for Forecasting with Covariates [21.978694988304692]
  時系列基礎モデル(TSFM)は、最近、新しい時系列の単変量予測において最先端のパフォーマンスを達成した。 我々は,TSFMを微調整なしで共変情報で拡張する,軽量なインスタンスレベルのアダプタであるFMAdapterを提案する。 実世界のデータセットに関する大規模な実験は、FMAdapterがファンデーションモデルと教師付きベースラインの両方を一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-09-17T11:13:14Z)
• When Will It Fail?: Anomaly to Prompt for Forecasting Future Anomalies in Time Series [7.730249449109823]
  AAF(Anomaly-Aware Forecasting)とSAP(Synthetic Anomaly Prompting)を組み合わせたA2P(Anomaly to Prompt)という新しいフレームワークを提案する。 信号適応型プロンプトを用いた多彩な異常パターンをシミュレートした,学習可能な異常プロンプトプール(APP)を提案する。
  論文  参考訳（メタデータ） (2025-06-30T08:00:16Z)
• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Generalized Mixture Model for Extreme Events Forecasting in Time Series Data [10.542258423966492]
  時系列予測(TSF)は、天気予報、交通制御、株価予測など幅広い分野で広く研究されているトピックである。 時系列における極端な値は、しばしば人間と自然のシステムに大きな影響を及ぼすが、それらの稀な発生のために予測することは困難である。 本稿では,極端事象に着目した新たなフレームワークを提案する。具体的には,時系列予測のためのDeep Extreme Mixture Model with Autoencoder (DEMMA)を提案する。
  論文  参考訳（メタデータ） (2023-10-11T12:36:42Z)
• AA-Forecast: Anomaly-Aware Forecast for Extreme Events [25.89754218631525]
  時系列モデルは、現実世界のデータセットでよく見られる極端なイベントや異常を扱うことが多い。 本稿では,これまで見られた異常の影響を利用して予測精度を向上する異常認識予測フレームワークを提案する。 特に、このフレームワークは自動で異常を抽出し、注意機構を通じてそれらを組み込んで、将来の極端な事象の正確性を高める。
  論文  参考訳（メタデータ） (2022-08-21T17:51:46Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。