Fugu-MT 論文翻訳(概要): Selective Denoising Diffusion Model for Time Series Anomaly Detection

論文の概要: Selective Denoising Diffusion Model for Time Series Anomaly Detection

arxiv url: http://arxiv.org/abs/2602.23662v1
Date: Fri, 27 Feb 2026 04:05:50 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-02 19:48:24.242969
Title: Selective Denoising Diffusion Model for Time Series Anomaly Detection
Title（参考訳）: 時系列異常検出のための選択的雑音拡散モデル
Authors: Kohei Obata, Zheng Chen, Yasuko Matsubara, Lingwei Zhu, Yasushi Sakurai,
Abstract要約: 時系列異常検出(TSAD)は、数十年にわたり重要な研究領域であった。 TSADの拡散に基づく手法は条件付き戦略に依存しており、コンディショナーの助けを借りて入力インスタンスをホワイトノイズから再構成する。本稿では,AnomalyFilterという新しい拡散法を提案する。これは,通常の部分を保持しながら,インスタンス内の異常部分のみを識別する選択フィルタとして機能する。
参考スコア（独自算出の注目度）: 19.485868380339628
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Time series anomaly detection (TSAD) has been an important area of research for decades, with reconstruction-based methods, mostly based on generative models, gaining popularity and demonstrating success. Diffusion models have recently attracted attention due to their advanced generative capabilities. Existing diffusion-based methods for TSAD rely on a conditional strategy, which reconstructs input instances from white noise with the aid of the conditioner. However, this poses challenges in accurately reconstructing the normal parts, resulting in suboptimal detection performance. In response, we propose a novel diffusion-based method, named AnomalyFilter, which acts as a selective filter that only denoises anomaly parts in the instance while retaining normal parts. To build such a filter, we mask Gaussian noise during the training phase and conduct the denoising process without adding noise to the instances. The synergy of the two simple components greatly enhances the performance of naive diffusion models. Extensive experiments on five datasets demonstrate that AnomalyFilter achieves notably low reconstruction error on normal parts, providing empirical support for its effectiveness in anomaly detection. AnomalyFilter represents a pioneering approach that focuses on the noise design of diffusion models specifically tailored for TSAD.
Abstract（参考訳）: 時系列異常検出(TSAD)は数十年にわたり重要な研究領域であり、主に生成モデルに基づく再構成に基づく手法が人気を集め、成功を収めている。拡散モデルは、その高度な生成能力のために最近注目を集めている。既存のTSADの拡散法は条件付き戦略に依存しており、コンディショナーの助けを借りて入力インスタンスをホワイトノイズから再構成する。しかし、これは正常な部分を正確に再構築する上での課題であり、その結果、準最適検出性能がもたらされる。そこで本研究では,AnomalyFilterという拡散に基づく新しい手法を提案する。このようなフィルタを構築するために、訓練期間中にガウスノイズを隠蔽し、インスタンスにノイズを加えることなくデノナイジング処理を行う。 2つの単純成分の相乗効果は、ナイーブ拡散モデルの性能を大幅に向上させる。 5つのデータセットに対する大規模な実験により、AnomalyFilterは正常な部分の再構成エラーが顕著に低いことを示し、異常検出の有効性を実証的に裏付けている。 AnomalyFilterは、TSADに適した拡散モデルのノイズ設計に焦点を当てた先駆的なアプローチである。

関連論文リスト

SSI-DM: Singularity Skipping Inversion of Diffusion Models [4.736184528345518]
既存の手法は、初期ノイズ発生過程における不正確さのため、編集性に乏しい非ガウスノイズを生成する。本稿では,SSI-DM(Singularity Skipping Inversion of Diffusion Models)を提案する。一般拡散モデルに適合するプラグアンドプレイ技術として,提案手法は,公開画像データセット上での優れた性能を実現する。
論文参考訳（メタデータ） (2026-02-02T14:59:58Z)
Mitigating the Noise Shift for Denoising Generative Models via Noise Awareness Guidance [54.88271057438763]
ノイズアウェアネスガイダンス (NAG) は、事前に定義された騒音スケジュールと整合性を保つために、サンプリング軌道を明示的に制御する補正手法である。 NAGは一貫してノイズシフトを緩和し、主流拡散モデルの生成品質を大幅に改善する。
論文参考訳（メタデータ） (2025-10-14T13:31:34Z)
Reconstruction-Free Anomaly Detection with Diffusion Models [30.099399014193573]
Inversion-based Anomaly Detection (AD) 手法を提案する。元の確率フローODEを近似する際、クリーンな画像にノイズを与えるための反転ステップはごくわずかである。付加雑音が学習拡散モデルに適応的に導出されるので、クリーンテスト画像の原特徴を引き続き利用して高い検出精度を得ることができる。
論文参考訳（メタデータ） (2025-04-08T04:23:43Z)
One-for-More: Continual Diffusion Model for Anomaly Detection [63.50488826645681]
異常検出法は拡散モデルを用いて任意の異常画像が与えられたときの正常サンプルの生成または再構成を行う。われわれは,拡散モデルが「重度忠実幻覚」と「破滅的な忘れ」に悩まされていることを発見した。本研究では,安定な連続学習を実現するために勾配予測を用いた連続拡散モデルを提案する。
論文参考訳（メタデータ） (2025-02-27T07:47:27Z)
Multivariate Time Series Anomaly Detection using DiffGAN Model [6.62154383680049]
DiffGANを提案する。これは拡散モデルのデノイザーに生成的対向ネットワークコンポーネントを付加する。複数の最先端再構成モデルと比較して、DiffGANは異常検出において優れた性能を発揮することを示す実験結果が得られた。
論文参考訳（メタデータ） (2025-01-03T01:20:38Z)
ASD-Diffusion: Anomalous Sound Detection with Diffusion Models [6.659078422704148]
実世界の工場において, 拡散モデル(ASD-Diffusion)に基づく異常音検出法が提案されている。再構成後の入力から大きくずれた異常を検出するために, 後処理異常フィルタアルゴリズムを提案する。暗黙的拡散モデルを導入し、推論速度を高速化する。
論文参考訳（メタデータ） (2024-09-24T10:42:23Z)
GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
論文参考訳（メタデータ） (2024-06-11T17:27:23Z)
Boosting Diffusion Models with Moving Average Sampling in Frequency Domain [101.43824674873508]
拡散モデルは、現在のサンプルに頼って次のサンプルをノイズ化し、おそらく不安定化を引き起こす。本稿では,反復的復調過程をモデル最適化として再解釈し,移動平均機構を利用して全ての先行サンプルをアンサンブルする。周波数領域における平均サンプリング(MASF)の動作」という完全なアプローチを命名する。
論文参考訳（メタデータ） (2024-03-26T16:57:55Z)
DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
論文参考訳（メタデータ） (2023-03-15T16:14:06Z)
Diffusion Model Based Posterior Sampling for Noisy Linear Inverse Problems [14.809545109705256]
本稿では、簡単な閉形式近似を確率スコアに提案することにより、高速で効果的な解を提案する。拡散モデルとフローベースモデルの両方において、様々な雑音線形逆問題に対して広範な実験を行う。提案手法は,全ての基本手法よりもはるかに高速でありながら,高い競争力あるいはより優れた復元性能を示す。
論文参考訳（メタデータ） (2022-11-20T01:09:49Z)
Diffusion Posterior Sampling for General Noisy Inverse Problems [50.873313752797124]
我々は、後方サンプリングの近似により、雑音(非線形)逆問題に対処するために拡散解法を拡張した。本手法は,拡散モデルが様々な計測ノイズ統計を組み込むことができることを示す。
論文参考訳（メタデータ） (2022-09-29T11:12:27Z)

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。