論文の概要: LEFT: Learnable Fusion of Tri-view Tokens for Unsupervised Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2602.08638v1
• Date: Mon, 09 Feb 2026 13:33:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:25.249461
• Title: LEFT: Learnable Fusion of Tri-view Tokens for Unsupervised Time Series Anomaly Detection
• Title（参考訳）: LEFT:教師なし時系列異常検出のためのトリビュートークンの学習可能な融合
• Authors: Dezheng Wang, Tong Chen, Guansong Pang, Congyan Chen, Shihua Li, Hongzhi Yin,
• Abstract要約: 教師なし時系列異常検出は、アノテーションの可用性を前提とせず、異常なタイムスタンプを識別するモデルを構築することを目的としている。 本稿では,非教師付きTSADフレームワークであるLearnable Fusion of Tri-view Tokens(LEFT)について述べる。 実世界のベンチマーク実験では、LEFTはSOTAベースラインに対して最高の検出精度を示し、FLOPの5倍、トレーニングの8倍のスピードアップを実現している。
• 参考スコア（独自算出の注目度）: 53.191369031661885
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As a fundamental data mining task, unsupervised time series anomaly detection (TSAD) aims to build a model for identifying abnormal timestamps without assuming the availability of annotations. A key challenge in unsupervised TSAD is that many anomalies are too subtle to exhibit detectable deviation in any single view (e.g., time domain), and instead manifest as inconsistencies across multiple views like time, frequency, and a mixture of resolutions. However, most cross-view methods rely on feature or score fusion and do not enforce analysis-synthesis consistency, meaning the frequency branch is not required to reconstruct the time signal through an inverse transform, and vice versa. In this paper, we present Learnable Fusion of Tri-view Tokens (LEFT), a unified unsupervised TSAD framework that models anomalies as inconsistencies across complementary representations. LEFT learns feature tokens from three views of the same input time series: frequency-domain tokens that embed periodicity information, time-domain tokens that capture local dynamics, and multi-scale tokens that learns abnormal patterns at varying time series granularities. By learning a set of adaptive Nyquist-constrained spectral filters, the original time series is rescaled into multiple resolutions and then encoded, allowing these multi-scale tokens to complement the extracted frequency- and time-domain information. When generating the fused representation, we introduce a novel objective that reconstructs fine-grained targets from coarser multi-scale structure, and put forward an innovative time-frequency cycle consistency constraint to explicitly regularize cross-view agreement. Experiments on real-world benchmarks show that LEFT yields the best detection accuracy against SOTA baselines, while achieving a 5x reduction on FLOPs and 8x speed-up for training.
• Abstract（参考訳）: 基本的なデータマイニングタスクとして、教師なし時系列異常検出(TSAD)は、アノテーションの可用性を前提とせず、異常なタイムスタンプを識別するモデルを構築することを目的としている。 教師なしTSADにおける重要な課題は、多くの異常が微妙すぎるため、単一のビュー(例えば、時間領域)において検出可能な偏差を示すことができず、代わりに時間、周波数、解像度の混合といった複数のビューで矛盾として現れることである。 しかし、ほとんどのクロスビュー手法は特徴やスコアの融合に依存しており、解析合成の一貫性を強制しない。 本稿では,相補表現における異常を不整合としてモデル化する,統一的教師なしTSADフレームワークであるLearnerable Fusion of Tri-view Tokens(LEFT)を提案する。 LEFTは、同じ入力時系列の3つのビューから特徴トークンを学習する:周期性情報を埋め込む周波数領域トークン、局所力学をキャプチャする時間領域トークン、および異なる時系列の粒度で異常パターンを学ぶマルチスケールトークン。 適応的ニキスト制約スペクトルフィルタの集合を学習することにより、元の時系列を複数の解像度に再スケールし、符号化し、これらのマルチスケールトークンが抽出された周波数領域と時間領域情報を補完することを可能にする。 融合表現を生成する際には、粗大なマルチスケール構造から微粒なターゲットを再構築する新たな目的を導入し、また、クロスビュー合意を明確に正規化するために、革新的な時間周期の整合性制約を提示する。 実世界のベンチマーク実験では、LEFTはSOTAベースラインに対して最高の検出精度を示し、FLOPの5倍、トレーニングの8倍のスピードアップを実現している。

関連論文リスト

• SMKC: Sketch Based Kernel Correlation Images for Variable Cardinality Time Series Anomaly Detection [0.0]
  運用環境では、監視システムはセンサーチャーンを頻繁に経験する。 本稿では,異常検出器から動的入力構造を分離するフレームワークSMKCを提案する。 SMKC表現におけるランダムプロジェクションと近傍近傍の検出器は、完全に訓練されたベースラインと競合する。
  論文  参考訳（メタデータ） (2026-01-28T21:15:11Z)
• ViTs: Teaching Machines to See Time Series Anomalies Like Human Experts [21.498848897981173]
  時系列異常検出モデルでは,「シナリオをまたいで1回ずつ推測する」ことが根本的な課題である。 時系列曲線を視覚表現に変換するVLM(Vision-Language Model)ベースのフレームワークであるViTを提案する。
  論文  参考訳（メタデータ） (2025-10-06T11:24:53Z)
• Time-RA: Towards Time Series Reasoning for Anomaly with LLM Feedback [55.284574165467525]
  Time-RA(Time-Series Reasoning for Anomaly)は、時系列異常検出を生成的、推論集約的なタスクに変換する。 また,実世界のマルチモーダルベンチマークデータセットであるRATs40Kを導入する。
  論文  参考訳（メタデータ） (2025-07-20T18:02:50Z)
• FreRA: A Frequency-Refined Augmentation for Contrastive Learning on Time Series Classification [56.925103708982164]
  周波数領域からの新たな視点を示し、ダウンストリーム分類の利点として、グローバル、独立、コンパクトの3つを識別する。 本稿では,分類タスクにおける時系列のコントラスト学習に適した,軽量で効果的な周波数補充拡張(FreRA)を提案する。 FreRAは、時系列分類、異常検出、転送学習タスクにおいて、常に10つの主要なベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-05-29T07:18:28Z)
• FreCT: Frequency-augmented Convolutional Transformer for Robust Time Series Anomaly Detection [8.779286654383796]
  時系列異常検出はシステム監視とリスク識別に重要である。 周波数拡張畳み込み変換器(FreCT)を提案する。 FreCTはパッチ操作を利用してコントラストビューを生成し、コンボリューションモジュールと統合された改良されたTransformerアーキテクチャを採用している。
  論文  参考訳（メタデータ） (2025-05-02T00:56:24Z)
• 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)
• 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)
• 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)
• Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy [68.86835407617778]
  Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。 Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-10-06T10:33:55Z)

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。