論文の概要: COMET: Codebook-based Online-adaptive Multi-scale Embedding for Time-series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2602.01635v2
• Date: Tue, 03 Feb 2026 03:58:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 13:28:03.725638
• Title: COMET: Codebook-based Online-adaptive Multi-scale Embedding for Time-series Anomaly Detection
• Title（参考訳）: COMET: 時系列異常検出のためのオンライン適応型マルチスケール埋め込み
• Authors: Jinwoo Park, Hyeongwon Kang, Seung Hun Han, Pilsung Kang,
• Abstract要約: オンラインコードブックに基づく時系列異常検出のためのオンライン適応型マルチスケール埋め込み(COMET) オンラインコードブック適応は、コードブックエントリに基づいて擬似ラベルを生成し、対照的な学習を通じて推論時にモデルを動的に適応させる。 COMETは、45評価指標のうち36で最高のパフォーマンスを達成し、様々な環境においてその有効性を検証する。
• 参考スコア（独自算出の注目度）: 9.53248032827498
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series anomaly detection is a critical task across various industrial domains. However, capturing temporal dependencies and multivariate correlations within patch-level representation learning remains underexplored, and reliance on single-scale patterns limits the detection of anomalies across different temporal ranges. Furthermore, focusing on normal data representations makes models vulnerable to distribution shifts at inference time. To address these limitations, we propose Codebook-based Online-adaptive Multi-scale Embedding for Time-series anomaly detection (COMET), which consists of three key components: (1) Multi-scale Patch Encoding captures temporal dependencies and inter-variable correlations across multiple patch scales. (2) Vector-Quantized Coreset learns representative normal patterns via codebook and detects anomalies with a dual-score combining quantization error and memory distance. (3) Online Codebook Adaptation generates pseudo-labels based on codebook entries and dynamically adapts the model at inference through contrastive learning. Experiments on five benchmark datasets demonstrate that COMET achieves the best performance in 36 out of 45 evaluation metrics, validating its effectiveness across diverse environments.
• Abstract（参考訳）: 時系列異常検出は、様々な産業領域において重要な課題である。 しかし、パッチレベルの表現学習における時間的依存関係と多変量相関の取得は未定であり、単一スケールパターンに依存して異なる時間的範囲にわたる異常の検出を制限している。 さらに、正規データ表現にフォーカスすることで、モデルが推論時に分散シフトに脆弱になる。 これらの制約に対処するため,Codebook ベースの Online-Adaptive Multi-scale Embedding for Time-Series Anomaly Detection (COMET) を提案する。 2) Vector-Quantized Coreset は,コードブックから代表的な正規パターンを学習し,量子化誤差とメモリ距離を組み合わせた二重スコアで異常を検出する。 (3)オンラインコードブック適応は、コードブックエントリに基づいて擬似ラベルを生成し、対照的な学習を通して推論時にモデルを動的に適応させる。 5つのベンチマークデータセットの実験では、COMETは45評価指標のうち36で最高のパフォーマンスを達成し、さまざまな環境においてその有効性を検証している。

関連論文リスト

• DConAD: A Differencing-based Contrastive Representation Learning Framework for Time Series Anomaly Detection [12.658792855097198]
  時系列異常は、さまざまなアプリケーション領域にわたるリスク識別と障害検出において重要な役割を担っている。 ラベルが不要なため,教師なし学習手法が普及している。 時系列異常検出のための差分型コントラスト表現学習フレームワーク(DConAD)を提案する。
  論文  参考訳（メタデータ） (2025-04-19T06:35:06Z)
• Deep Multi-Manifold Transformation Based Multivariate Time Series Fault Detection [22.005142941322912]
  本稿では, 近傍型データ拡張戦略と多次元表現学習フレームワークを組み合わせた新しい手法を提案する。 提案手法は精度とロバスト性の両方において優れた性能を示し, 一般化と実世界の展開の可能性を示す。
  論文  参考訳（メタデータ） (2024-05-25T14:48:04Z)
• 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)
• Entropy Causal Graphs for Multivariate Time Series Anomaly Detection [7.096687136904268]
  本研究では,多変量時系列異常検出のためのエントロピー因果グラフであるCGADを提案する。 CGADは転送エントロピーを利用して時系列データ間の因果関係を明らかにするグラフ構造を構築する。 CGADは、9%の平均的な改善で、実世界のデータセット上で最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-12-15T01:35:00Z)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• 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)
• HIFI: Anomaly Detection for Multivariate Time Series with High-order Feature Interactions [7.016615391171876]
  HIFIは自動的に多変量特徴相互作用グラフを構築し、グラフ畳み込みニューラルネットワークを使用して高次特徴相互作用を実現する。 3つの公開データセットの実験は、最先端のアプローチと比較して、我々のフレームワークの優位性を示している。
  論文  参考訳（メタデータ） (2021-06-11T04:57:03Z)

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。