論文の概要: CGSTA: Cross-Scale Graph Contrast with Stability-Aware Alignment for Multivariate Time-Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2602.20468v1
• Date: Tue, 24 Feb 2026 01:58:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.574692
• Title: CGSTA: Cross-Scale Graph Contrast with Stability-Aware Alignment for Multivariate Time-Series Anomaly Detection
• Title（参考訳）: CGSTA:多変量時系列異常検出のための安定アライメント付きクロススケールグラフコントラスト
• Authors: Zhongpeng Qi, Jun Zhang, Wei Li, Zhuoxuan Liang,
• Abstract要約: 時系列異常検出のためのCGSTAフレームワークを提案する。 DLGCは、各スライディングウィンドウに対する変数関係の局所的、局所的、大域的ビューを形成する。 SAAはスケールごとの安定した参照を維持し、現在のウィンドウの高速に変化するグラフを誘導してノイズを抑制する。
• 参考スコア（独自算出の注目度）: 6.953121860419416
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multivariate time-series anomaly detection is essential for reliable industrial control, telemetry, and service monitoring. However, the evolving inter-variable dependencies and inevitable noise render it challenging. Existing methods often use single-scale graphs or instance-level contrast. Moreover, learned dynamic graphs can overfit noise without a stable anchor, causing false alarms or misses. To address these challenges, we propose the CGSTA framework with two key innovations. First, Dynamic Layered Graph Construction (DLGC) forms local, regional, and global views of variable relations for each sliding window; rather than contrasting whole windows, Contrastive Discrimination across Scales (CDS) contrasts graph representations within each view and aligns the same window across views to make learning structure-aware. Second, Stability-Aware Alignment (SAA) maintains a per-scale stable reference learned from normal data and guides the current window's fast-changing graphs toward it to suppress noise. We fuse the multi-scale and temporal features and use a conditional density estimator to produce per-time-step anomaly scores. Across four benchmarks, CGSTA delivers optimal performance on PSM and WADI, and is comparable to the baseline methods on SWaT and SMAP.
• Abstract（参考訳）: 多変量時系列異常検出は、信頼性の高い産業制御、テレメトリ、サービス監視に不可欠である。 しかし、進化する変数間の依存関係と避けられないノイズは、それを困難にします。 既存の手法では、シングルスケールグラフやインスタンスレベルのコントラストを用いることが多い。 さらに、学習された動的グラフは、安定したアンカーなしでノイズを過度に適合させ、誤ったアラームやミスを引き起こします。 これらの課題に対処するため、我々はCGSTAフレームワークを2つの重要なイノベーションで提案する。 まず、動的階層グラフ構築(DLGC)は、各スライディングウィンドウの局所的、局所的、およびグローバルな変数関係のビューを形成します。 第二に、SAA(Stable-Aware Alignment)は、通常のデータから学習したスケールごとの安定した参照を維持し、現在のウィンドウの高速に変化するグラフを誘導してノイズを抑制する。 マルチスケール, 時間的特徴を融合し, 条件密度推定器を用いて1ステップあたりの異常スコアを生成する。 4つのベンチマークで、CGSTAはPSMとWADIで最適な性能を示し、SWaTとSMAPのベースラインメソッドに匹敵する。

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)
• Learning Noise-Resilient and Transferable Graph-Text Alignment via Dynamic Quality Assessment [19.204800655283744]
  テキスト分散グラフ(TAG)上のGFM(Pre-training Graph Foundation Models)は、検索、レコメンデーション、知識発見などのWebスケールアプリケーションの中心である。 ノードとテキスト間の厳密な1対1対応を前提としており、さまざまなデータ品質に適応できない静的アライメントの目標に依存しているため、ノイズの多い監視下では不安定である。 我々は,多対多の表現と保守的な一対一の目的を,監督品質に応じて動的に調整する品質対応グラフテキストアライメントフレームワークADAlignerを提案する。
  論文  参考訳（メタデータ） (2025-10-22T09:01:17Z)
• STRGCN: Capturing Asynchronous Spatio-Temporal Dependencies for Irregular Multivariate Time Series Forecasting [14.156419219696252]
  STRGCNはIMTSの複雑な相互依存性を完全連結グラフとして表現する。 4つの公開データセットの実験では、STRGCNが最先端の精度、競合するメモリ使用量、トレーニング速度を達成することが示されている。
  論文  参考訳（メタデータ） (2025-05-07T06:41:33Z)
• Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
  完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。 グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。 グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
  論文  参考訳（メタデータ） (2023-09-11T08:44:07Z)
• Graph-Aware Contrasting for Multivariate Time-Series Classification [50.84488941336865]
  既存のコントラスト学習手法は主に、時間的拡張とコントラスト技術による時間的一貫性を達成することに焦点を当てている。 MTSデータ間の空間的整合性を考慮したグラフ認識コントラストを提案する。 提案手法は,様々なMSS分類タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-09-11T02:35:22Z)
• Laplacian Change Point Detection for Single and Multi-view Dynamic Graphs [9.663142156296862]
  動的グラフにおける変化点検出に着目し、この問題に関連する3つの主な課題に対処する。 まず,各スナップショットにおけるグラフ構造の低次元埋め込みとして,グラフラプラシアンスペクトルを用いたラプラシアン異常検出(Laplacian Anomaly Detection,LAD)を提案する。 次に,多視点グラフへのLADの単純かつ効果的な一般化であるMultiLADを提案する。
  論文  参考訳（メタデータ） (2023-02-02T16:30:43Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)

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。