論文の概要: PaAno: Patch-Based Representation Learning for Time-Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2602.01359v1
• Date: Sun, 01 Feb 2026 17:52:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.740596
• Title: PaAno: Patch-Based Representation Learning for Time-Series Anomaly Detection
• Title（参考訳）: PaAno: 時系列異常検出のためのパッチベース表現学習
• Authors: Jinju Park, Seokho Kang,
• Abstract要約: 時系列異常検出のためのパッチベース表現学習(PaAno)を提案する。 PaAnoは時系列トレーニングデータから短い時間パッチを抽出し、1D畳み込みニューラルネットワークを使用して各パッチをベクトル表現に埋め込む。 TSB-ADベンチマークで評価すると、PaAnoは最先端のパフォーマンスを達成した。
• 参考スコア（独自算出の注目度）: 14.610038284393164
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although recent studies on time-series anomaly detection have increasingly adopted ever-larger neural network architectures such as transformers and foundation models, they incur high computational costs and memory usage, making them impractical for real-time and resource-constrained scenarios. Moreover, they often fail to demonstrate significant performance gains over simpler methods under rigorous evaluation protocols. In this study, we propose Patch-based representation learning for time-series Anomaly detection (PaAno), a lightweight yet effective method for fast and efficient time-series anomaly detection. PaAno extracts short temporal patches from time-series training data and uses a 1D convolutional neural network to embed each patch into a vector representation. The model is trained using a combination of triplet loss and pretext loss to ensure the embeddings capture informative temporal patterns from input patches. During inference, the anomaly score at each time step is computed by comparing the embeddings of its surrounding patches to those of normal patches extracted from the training time-series. Evaluated on the TSB-AD benchmark, PaAno achieved state-of-the-art performance, significantly outperforming existing methods, including those based on heavy architectures, on both univariate and multivariate time-series anomaly detection across various range-wise and point-wise performance measures.
• Abstract（参考訳）: 時系列異常検出に関する最近の研究は、トランスフォーマーやファンデーションモデルといった、より大型のニューラルネットワークアーキテクチャの採用が増えているが、高い計算コストとメモリ使用量をもたらし、リアルタイムおよびリソース制約のあるシナリオでは実用的ではない。 さらに、厳密な評価プロトコルの下では、単純なメソッドよりも大きなパフォーマンス向上を示すことができないことが多い。 本研究では、高速かつ効率的な時系列異常検出のための軽量かつ効果的な方法である時系列異常検出のためのパッチベース表現学習を提案する。 PaAnoは時系列トレーニングデータから短い時間パッチを抽出し、1D畳み込みニューラルネットワークを使用して各パッチをベクトル表現に埋め込む。 このモデルは、3重項損失とプレテキスト損失の組み合わせを用いて訓練され、埋め込みが入力パッチから情報的時間パターンを捕捉する。 推論中は、トレーニング時系列から抽出した通常のパッチと周囲のパッチの埋め込みを比較して、各タイムステップの異常スコアを算出する。 TSB-ADベンチマークで評価され、PaAnoは最先端のパフォーマンスを達成し、多変量および多変量時系列の異常検出を様々な範囲およびポイントワイドのパフォーマンス測定で比較し、重アーキテクチャに基づく手法を含む既存の手法を著しく上回った。

関連論文リスト

• PatchTrAD: A Patch-Based Transformer focusing on Patch-Wise Reconstruction Error for Time Series Anomaly Detection [7.199108088621308]
  PatchTrADは,時系列異常検出のためのPatch-based Transformerモデルである。 提案手法では,トランスフォーマーエンコーダと,アノマ検出のための再構成フレームワーク下でのパッチの利用を併用する。 複数のベンチマークデータセットに対する実証的な評価は、PatchTrADが検出性能において同等であることを示している。
  論文  参考訳（メタデータ） (2025-04-10T07:58:55Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• 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)
• TimeDRL: Disentangled Representation Learning for Multivariate Time-Series [10.99576829280084]
  TimeDRLは、アンタングル化されたデュアルレベル埋め込みを備えた一般的な時系列表現学習フレームワークである。 TimeDRLは、既存の表現学習アプローチを一貫して上回り、MSEでは58.02%、精度では1.48%の平均的な改善を実現している。
  論文  参考訳（メタデータ） (2023-12-07T08:56:44Z)
• 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)
• 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)
• 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)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Time-Series Anomaly Detection with Implicit Neural Representation [0.38073142980733]
  Inlicit Neural Representation-based Anomaly Detection (INRAD)を提案する。 入力に時間がかかり、その時点で対応する値を出力する単純な多層パーセプトロンを訓練する。 そして,その表現誤りを異常検出のための異常スコアとして利用する。
  論文  参考訳（メタデータ） (2022-01-28T06:17:24Z)

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。