論文の概要: AnomaMind: Agentic Time Series Anomaly Detection with Tool-Augmented Reasoning

• arxiv url: http://arxiv.org/abs/2602.13807v1
• Date: Sat, 14 Feb 2026 14:35:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.433035
• Title: AnomaMind: Agentic Time Series Anomaly Detection with Tool-Augmented Reasoning
• Title（参考訳）: AnomaMind:ツール強化推論によるエージェント時系列異常検出
• Authors: Xiaoyu Tao, Yuchong Wu, Mingyue Cheng, Ze Guo, Tian Gao,
• Abstract要約: AnomaMindは、連続的な意思決定プロセスとして異常検出を再構成する時系列異常検出フレームワークである。 AnomaMindは、粗い方法で異常間隔をローカライズする構造化ワークフローを運用する。 AnomaMindの重要な設計は、ツール拡張された異常検出のための、明示的に設計されたハイブリッド推論メカニズムである。
• 参考スコア（独自算出の注目度）: 24.317775311623922
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series anomaly detection is critical in many real-world applications, where effective solutions must localize anomalous regions and support reliable decision-making under complex settings. However, most existing methods frame anomaly detection as a purely discriminative prediction task with fixed feature inputs, rather than an evidence-driven diagnostic process. As a result, they often struggle when anomalies exhibit strong context dependence or diverse patterns. We argue that these limitations stem from the lack of adaptive feature preparation, reasoning-aware detection, and iterative refinement during inference. To address these challenges, we propose AnomaMind, an agentic time series anomaly detection framework that reformulates anomaly detection as a sequential decision-making process. AnomaMind operates through a structured workflow that progressively localizes anomalous intervals in a coarse-to-fine manner, augments detection through multi-turn tool interactions for adaptive feature preparation, and refines anomaly decisions via self-reflection. The workflow is supported by a set of reusable tool engines, enabling context-aware diagnostic analysis. A key design of AnomaMind is an explicitly designed hybrid inference mechanism for tool-augmented anomaly detection. In this mechanism, general-purpose models are responsible for autonomous tool interaction and self-reflective refinement, while core anomaly detection decisions are learned through reinforcement learning under verifiable workflow-level feedback, enabling task-specific optimization within a flexible reasoning framework. Extensive experiments across diverse settings demonstrate that AnomaMind consistently improves anomaly detection performance. The code is available at https://anonymous.4open.science/r/AnomaMind.
• Abstract（参考訳）: 時系列異常検出は、多くの実世界のアプリケーションにおいて重要であり、有効なソリューションは異常領域をローカライズし、複雑な環境下での信頼性の高い意思決定をサポートする必要がある。 しかし、既存のほとんどの手法は、エビデンス駆動の診断プロセスではなく、固定された特徴入力を持つ純粋に識別可能な予測タスクとして、異常検出をフレーム化している。 結果として、強い文脈依存または多様なパターンを示す異常がしばしば発生する。 これらの制限は、適応的特徴準備の欠如、推論認識の検出、推論中の反復的改善によるものである、と我々は主張する。 これらの課題に対処するため,エージェント時系列異常検出フレームワークであるAnomaMindを提案する。 AnomaMindは、粗大な方法で異常間隔を徐々にローカライズする構造化ワークフローを運用し、適応的な特徴準備のためのマルチターンツールインタラクションによる検出を強化し、自己回帰を通じて異常決定を洗練する。 ワークフローは再利用可能なツールエンジンセットでサポートされており、コンテキスト対応の診断分析を可能にする。 AnomaMindの重要な設計は、ツール拡張された異常検出のための、明示的に設計されたハイブリッド推論メカニズムである。 このメカニズムでは、汎用モデルは、自律的なツールインタラクションと自己回帰的改善に責任を持ち、コア異常検出決定は、ワークフローレベルの検証可能なフィードバックの下で強化学習を通じて学習され、柔軟な推論フレームワーク内でタスク固有の最適化を可能にする。 さまざまな設定にわたる大規模な実験は、AnomaMindが一貫して異常検出性能を改善していることを示している。 コードはhttps://anonymous.4open.science/r/AnomaMindで公開されている。

関連論文リスト

• Process mining-driven modeling and simulation to enhance fault diagnosis in cyber-physical systems [5.065341495341096]
  CPS(Cyber-Physical Systems)の故障診断は,システムの信頼性と運用効率の確保に不可欠である。 本稿では, 時系列, プロセスマイニング, シミュレーションにおける集団異常検出を統合した, 教師なし故障診断手法を提案する。 これにより、予測保守と産業環境のためのデジタルツインの開発を支援する総合的なフォールト辞書の作成が可能になる。
  論文  参考訳（メタデータ） (2025-06-26T17:29:37Z)
• Counterfactual Explanation for Auto-Encoder Based Time-Series Anomaly Detection [0.3199881502576702]
  オートエンコーダは意思決定プロセスに固有の不透明さを示し、大規模な実践を妨げている。 本研究では,機能セレクタを用いて特徴を抽出し,モデル出力にコンテキストを与える。 実験結果から,提案手法がモデル決定過程に有意義かつ有意義な洞察を与える可能性が示唆された。
  論文  参考訳（メタデータ） (2025-01-03T19:30:11Z)
• Friend or Foe? Harnessing Controllable Overfitting for Anomaly Detection [30.77558600436759]
  オーバーフィッティングは伝統的に異常検出の有害と見なされてきた。 本稿では、オーバーフィッティングを戦略的に活用し、異常識別能力を向上する新しいフレームワークである、制御可能なオーバーフィッティングベースの異常検出(COAD)を紹介する。
  論文  参考訳（メタデータ） (2024-11-30T19:07:16Z)
• Open-Vocabulary Video Anomaly Detection [57.552523669351636]
  監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。 近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。 本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
  論文  参考訳（メタデータ） (2023-11-13T02:54:17Z)
• 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)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• 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)
• A Transfer Learning Framework for Anomaly Detection Using Model of Normality [2.9685635948299995]
  畳み込みニューラルネットワーク(CNN)技術は、画像ベースの異常検出アプリケーションにおいて非常に有用であることが証明されている。 モデル・オブ・ノーマル性(MoN)を用いた類似度尺度に基づく異常検出のための伝達学習フレームワークを提案する。 提案したしきい値設定により,大幅な性能向上が達成できることを示す。
  論文  参考訳（メタデータ） (2020-11-12T05:26:32Z)

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。