論文の概要: TimeRadar: A Domain-Rotatable Foundation Model for Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2602.19068v1
• Date: Sun, 22 Feb 2026 06:53:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.468591
• Title: TimeRadar: A Domain-Rotatable Foundation Model for Time Series Anomaly Detection
• Title（参考訳）: TimeRadar: 時系列異常検出のためのドメインロータブル基礎モデル
• Authors: Hui He, Hezhe Qiao, Yutong Chen, Kun Yi, Guansong Pang,
• Abstract要約: 時系列基礎モデル(TSFM)は主に、予め定義された時間または周波数領域内で、一般的なパターンと規則的なパターンを学習することに焦点を当てている。 TimeRadarは、いくつかの時間周波数領域で構築された革新的なTSFMで、さまざまな未知のデータセットをまたいだ一般TSADをサポートする。
• 参考スコア（独自算出の注目度）: 41.0416229540611
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current time series foundation models (TSFMs) primarily focus on learning prevalent and regular patterns within a predefined time or frequency domain to enable supervised downstream tasks (e.g., forecasting). Consequently, they are often ineffective for inherently unsupervised downstream tasks-such as time series anomaly detection (TSAD), which aims to identify rare, irregular patterns. This limitation arises because such abnormal patterns can closely resemble the regular patterns when presented in the same time/frequency domain. To address this issue, we introduce TimeRadar, an innovative TSFM built in a fractional time-frequency domain to support generalist TSAD across diverse unseen datasets. Our key insight is that rotating a time series into a data-dependent fractional time-frequency representation can adaptively differentiate the normal and abnormal signals across different datasets. To this end, a novel component, namely Fractionally modulated Time-Frequency Reconstruction (FTFRecon), is proposed in TimeRadar to leverage a learnable fractional order to rotate the time series to the most pronounced angle between a continuous time and frequency domain for accurate data reconstruction. This provides adaptive data reconstruction in an optimal time-frequency domain for each data input, enabling effective differentiation of the unbounded abnormal patterns from the regular ones across datasets, including unseen datasets. To allow TimeRadar to model local abnormality that is not captured by the global data reconstruction, we further introduce a Contextual Deviation Learning (CDL) component to model the local deviation of the input relative to its contextual time series data in the rotatable domain.
• Abstract（参考訳）: 現在の時系列基礎モデル(TSFM)は、主に、教師付き下流タスク(例えば予測)を可能にするために、予め定義された時間または周波数領域内で、一般的なパターンと規則的なパターンを学習することに焦点を当てている。 その結果、これらは、まれで不規則なパターンを特定することを目的とした時系列異常検出(TSAD)のような、本質的に教師なしの下流タスクに対して効果がないことが多い。 この制限は、そのような異常パターンが同じ時間/周波数領域で提示されるときの通常のパターンとよく似ているため生じる。 この問題に対処するために、TimeRadarを紹介した。TimeRadarは、時間周波数領域で構築された革新的なTSFMで、さまざまな未知のデータセットにまたがるジェネラリストTSADをサポートする。 我々の重要な洞察は、時系列をデータ依存の分数周波数表現に回転させることで、異なるデータセット間で正常信号と異常信号とを適応的に区別できるということである。 この目的のために、TimeRadarでは、時系列を連続時間と周波数領域の間の最も顕著な角度に回転させ、正確なデータ再構成を行うための新しい成分FTFRecon(Fractionally modulated Time-Frequency Reconstruction)が提案されている。 これにより、各データ入力に対して最適な時間周波数領域で適応的なデータ再構成が可能となり、未知のデータセットを含むデータセット間で、非有界な異常パターンと通常のパターンとを効果的に区別することができる。 グローバルなデータ再構成では得られない局所的な異常をTimeRadarがモデル化できるようにするため、我々はさらにコンテキスト偏差学習(CDL)コンポーネントを導入し、そのコンテキスト時系列データに対する入力の局所的な偏差をロータブル領域でモデル化する。

関連論文リスト

• MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
  Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。 MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。 このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
  論文  参考訳（メタデータ） (2026-02-14T14:00:06Z)
• LEFT: Learnable Fusion of Tri-view Tokens for Unsupervised Time Series Anomaly Detection [53.191369031661885]
  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。
  論文  参考訳（メタデータ） (2026-02-09T13:33:49Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• LSCD: Lomb-Scargle Conditioned Diffusion for Time series Imputation [55.800319453296886]
  欠落または不規則なサンプルデータを持つ時系列は、機械学習において永続的な課題である。 我々は,不規則サンプルデータのパワースペクトルの信頼性の高い計算を可能にする,異なるLombiable-Scargle層を導入する。
  論文  参考訳（メタデータ） (2025-06-20T14:48:42Z)
• 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)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• ATFNet: Adaptive Time-Frequency Ensembled Network for Long-term Time Series Forecasting [7.694820760102176]
  ATFNetは、時間ドメインモジュールと周波数ドメインモジュールを組み合わせた革新的なフレームワークである。 本稿では,2つのモジュール間の重み調整機構であるドミナント・ハーモニック・シリーズ・エナジー・ウェイトリングを紹介する。 我々の複素数値スペクトル注意機構は、異なる周波数の組み合わせ間の複雑な関係を識別するための新しいアプローチを提供する。
  論文  参考訳（メタデータ） (2024-04-08T04:41:39Z)
• TFAD: A Decomposition Time Series Anomaly Detection Architecture with Time-Frequency Analysis [12.867257563413972]
  時系列異常検出は、複雑な時間的依存と限られたラベルデータのために難しい問題である。 本稿では,時間領域と周波数領域の両方を利用した時間周波数解析に基づく時系列異常検出モデル(TFAD)を提案する。
  論文  参考訳（メタデータ） (2022-10-18T09:08:57Z)

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。