論文の概要: Weighted Contrastive Learning for Anomaly-Aware Time-Series Forecasting

• arxiv url: http://arxiv.org/abs/2512.07569v1
• Date: Mon, 08 Dec 2025 14:02:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.914564
• Title: Weighted Contrastive Learning for Anomaly-Aware Time-Series Forecasting
• Title（参考訳）: 異常を考慮した時系列予測のための重み付きコントラスト学習
• Authors: Joel Ekstrand, Tor Mattsson, Zahra Taghiyarrenani, Slawomir Nowaczyk, Jens Lundström, Mikael Lindén,
• Abstract要約: Weighted Contrastive Adaptation (WECA, Weighted Contrastive Adaptation) を提案する。 ドメインインフォームド・アノマリー・インジェクションを用いた全国ATMトランザクションデータセット上でのWECAの評価を行った。
• 参考スコア（独自算出の注目度）: 3.769861522138544
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable forecasting of multivariate time series under anomalous conditions is crucial in applications such as ATM cash logistics, where sudden demand shifts can disrupt operations. Modern deep forecasters achieve high accuracy on normal data but often fail when distribution shifts occur. We propose Weighted Contrastive Adaptation (WECA), a Weighted contrastive objective that aligns normal and anomaly-augmented representations, preserving anomaly-relevant information while maintaining consistency under benign variations. Evaluations on a nationwide ATM transaction dataset with domain-informed anomaly injection show that WECA improves SMAPE on anomaly-affected data by 6.1 percentage points compared to a normally trained baseline, with negligible degradation on normal data. These results demonstrate that WECA enhances forecasting reliability under anomalies without sacrificing performance during regular operations.
• Abstract（参考訳）: ATMキャッシュのロジスティクスなどのアプリケーションでは、異常な条件下での多変量時系列の信頼性予測が不可欠である。 現代の深層予測器は、通常のデータに対して高い精度を達成するが、分散シフトが発生すると失敗することが多い。 Weighted Contrastive Adaptation (WECA, Weighted Contrastive Adaptation) は、正規表現と異常拡張表現を一致させ、異常関連情報を保存しつつ、良質な変動下での整合性を維持した重み付きコントラスト的適応(WeCA)を提案する。 ドメインインフォームド・アノマリー・インジェクションを用いた全国のATMトランザクション・データセットの評価では、WECAは正常に訓練されたベースラインよりも6.1ポイント改善し、通常のデータでは無視できる劣化が見られた。 これらの結果から,WECAは正常操作時の性能を犠牲にすることなく,異常時の予測信頼性を向上させることが示唆された。

関連論文リスト

• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• 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)
• Robust Anomaly Detection Under Normality Distribution Shift in Dynamic Graphs [14.892578927318404]
  WhENDSは、新しい教師なし異常検出法である。 分布統計を推定し、ホワイトニング変換を適用することで、通常のエッジ埋め込みを時間にわたって整列させる。 広く使われている4つの動的グラフデータセットの実験では、WhENDSは9つの強い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） (2025-09-22T06:59:59Z)
• Exploiting Autoencoder's Weakness to Generate Pseudo Anomalies [17.342474659784823]
  異常検出の典型的なアプローチは、通常のデータのパターンや表現を学習するためにのみ、通常のデータでオートエンコーダ(AE)を訓練することである。 本稿では,AEの弱点,すなわち異常の再構築をうまく活用して,学習適応雑音から擬似異常を生成することを提案する。
  論文  参考訳（メタデータ） (2024-05-09T16:22:24Z)
• Maat: Performance Metric Anomaly Anticipation for Cloud Services with Conditional Diffusion [32.86745044103766]
  既存の異常検出技術は、リアルタイム検出のみに焦点を合わせており、異常が発生したら即座に異常警報が発行される。 本稿では,クラウドサービスのパフォーマンス指標の異常予測に対処する最初の試みであるMaatを提案する。 Maatは、予測値の予測と予測値の異常検出からなる、新しい2段階の予測パラダイムを採用している。
  論文  参考訳（メタデータ） (2023-08-15T09:50:15Z)
• AnoOnly: Semi-Supervised Anomaly Detection with the Only Loss on Anomalies [27.478283101082834]
  我々は AnoOnly (Anomaly Only) と呼ばれる新しいフレームワークを開発する。 厳格な損失監視を利用する既存のSSADメソッドとは異なり、AnoOnlyはそれを停止し、通常のデータに対する弱い監視形式を導入している。 既存のSSADメソッドに統合されると、提案されたAnoOnlyは、さまざまなモデルやデータセットにわたる顕著なパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2023-05-30T07:19:25Z)
• DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
  本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。 実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-23T16:13:47Z)
• 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)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)

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。