論文の概要: Finding Time Series Anomalies using Granular-ball Vector Data Description

• arxiv url: http://arxiv.org/abs/2511.12147v1
• Date: Sat, 15 Nov 2025 10:24:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.638829
• Title: Finding Time Series Anomalies using Granular-ball Vector Data Description
• Title（参考訳）: 粒界ベクトルデータ記述を用いた時系列異常の検出
• Authors: Lifeng Shen, Liang Peng, Ruiwen Liu, Shuyin Xia, Yi Liu,
• Abstract要約: グラニュラーボールワンクラスネットワーク(GBOC)は、グラニュラーボールベクトルデータ記述(GVDD)と呼ばれるデータ適応型表現に基づく新しいアプローチである。 GVDDは、潜在空間をグラニュラーボールで表されるコンパクトで高密度な領域に分割する。 推論中、最も近いグラニュラーボールまでの距離に基づいて異常スコアが計算される。
• 参考スコア（独自算出の注目度）: 29.555765407206408
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling normal behavior in dynamic, nonlinear time series data is challenging for effective anomaly detection. Traditional methods, such as nearest neighbor and clustering approaches, often depend on rigid assumptions, such as a predefined number of reliable neighbors or clusters, which frequently break down in complex temporal scenarios. To address these limitations, we introduce the Granular-ball One-Class Network (GBOC), a novel approach based on a data-adaptive representation called Granular-ball Vector Data Description (GVDD). GVDD partitions the latent space into compact, high-density regions represented by granular-balls, which are generated through a density-guided hierarchical splitting process and refined by removing noisy structures. Each granular-ball serves as a prototype for local normal behavior, naturally positioning itself between individual instances and clusters while preserving the local topological structure of the sample set. During training, GBOC improves the compactness of representations by aligning samples with their nearest granular-ball centers. During inference, anomaly scores are computed based on the distance to the nearest granular-ball. By focusing on dense, high-quality regions and significantly reducing the number of prototypes, GBOC delivers both robustness and efficiency in anomaly detection. Extensive experiments validate the effectiveness and superiority of the proposed method, highlighting its ability to handle the challenges of time series anomaly detection.
• Abstract（参考訳）: 動的非線形時系列データにおける正規挙動のモデル化は, 効果的な異常検出には困難である。 近接した隣人やクラスタリングアプローチのような伝統的な手法は、しばしば複雑な時間的シナリオでしばしば分解される信頼できる隣人やクラスタの事前定義された数のような厳密な仮定に依存する。 このような制約に対処するために、GVDD(Granular-ball Vector Data Description)と呼ばれるデータ適応型表現に基づく新しいアプローチであるGBOC(Granular-ball One-Class Network)を導入する。 GVDDは、遅延空間を、密度誘導階層分割プロセスによって生成され、ノイズ構造を除去して精製されるグラニュラーボールで表されるコンパクトで高密度領域に分割する。 各グラニュラーボールは局所的な正常な振る舞いのプロトタイプとして機能し、サンプルセットの局所的な位相構造を保ちながら、個々のインスタンスとクラスタの間を自然に位置決めする。 トレーニング中、GBOCは、サンプルを最も近い粒状ボールセンターにアライメントすることで、表現のコンパクト性を改善する。 推論中、最も近いグラニュラーボールまでの距離に基づいて異常スコアが計算される。 密度の高い高品質なリージョンにフォーカスし、プロトタイプの数を著しく削減することで、GBOCは異常検出における堅牢性と効率の両方を提供する。 大規模な実験により提案手法の有効性と優位性を検証し,時系列異常検出の課題に対処する能力を強調した。

関連論文リスト

• Isolation-based Spherical Ensemble Representations for Anomaly Detection [60.989157958972356]
  不正検出、ネットワークセキュリティ、ログ監視を対象とするアプリケーションによるデータマイニングと管理において、異常検出は重要なタスクである。 既存の教師なし異常検出手法は、分散仮定の矛盾、計算の非効率性、異なる異常型を扱う難しさなど、基本的な課題に直面している。 Isolation-based Spherical Ensemble Representations (ISER) は, 局所密度特性のプロキシとしてハイパースフィアラジイを用いて, 線形時間と定数空間の複雑さを保ちながら, 既存の分離法を拡張したものである。
  論文  参考訳（メタデータ） (2025-10-15T09:00:05Z)
• ScatterAD: Temporal-Topological Scattering Mechanism for Time Series Anomaly Detection [19.3685780408744]
  正常試料と異常試料の両方が高次元空間に散在する傾向があることを示す実験的検討を行った。 我々は、この分散現象を散乱として定式化し、サンプル表現の平均対距離で定量化する。 我々は,学習した時間的および位相的表現の補完を保証するために,対照的な融合機構を導入する。
  論文  参考訳（メタデータ） (2025-09-29T08:03:03Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• 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)
• Harnessing Contrastive Learning and Neural Transformation for Time Series Anomaly Detection [0.0]
  時系列異常検出(TSAD)は多くの産業応用において重要な役割を担っている。 コントラスト学習は、ラベルのないデータから意味のある表現を抽出する過程において、時系列領域で勢いを増している。 本研究では,学習可能な変換で強化されたウィンドウベースのコントラスト学習戦略を取り入れた新しいアプローチであるCNTを提案する。
  論文  参考訳（メタデータ） (2023-04-16T21:36:19Z)
• DEGAN: Time Series Anomaly Detection using Generative Adversarial Network Discriminators and Density Estimation [0.0]
  我々は,GANに基づく異常検出フレームワークDEGANを提案する。 これは、適切に構成された識別器(D)をスタンドアロンの異常予測器に訓練するための入力として、通常の時系列データにのみ依存する。
  論文  参考訳（メタデータ） (2022-10-05T04:32:12Z)
• Generative Anomaly Detection for Time Series Datasets [1.7954335118363964]
  交通渋滞異常検出は知的交通システムにおいて最重要事項である。 本稿では,トラヒック異常検出のためのトラヒック密度推定を行うデータ駆動型生成手法を提案する。 Recall と F1-Score の両手法により, 最先端の混雑異常検出法と診断法を比較検討した。
  論文  参考訳（メタデータ） (2022-06-28T17:08:47Z)
• Anomaly Clustering: Grouping Images into Coherent Clusters of Anomaly Types [60.45942774425782]
  我々は異常クラスタリングを導入し、その目標はデータを異常型の一貫性のあるクラスタにまとめることである。 これは異常検出とは違い、その目標は異常を通常のデータから分割することである。 パッチベースの事前訓練されたディープ埋め込みとオフザシェルフクラスタリング手法を用いた,単純で効果的なクラスタリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-21T23:11:33Z)

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。