論文の概要: An Interpretable Generative Framework for Anomaly Detection in High-Dimensional Financial Time Series

• arxiv url: http://arxiv.org/abs/2603.07864v1
• Date: Mon, 09 Mar 2026 00:36:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:15.326874
• Title: An Interpretable Generative Framework for Anomaly Detection in High-Dimensional Financial Time Series
• Title（参考訳）: 高次元財務時系列における異常検出のための解釈可能な生成フレームワーク
• Authors: Waldyn G Martinez,
• Abstract要約: 本稿では、現代の機械学習と、異常検出のための計量診断を統合した解釈可能な生成フレームワークであるReGEN-TADを提案する。 合成およびファイナンシャルパネルの実験は、経済的にコヒーレントな因子レベルの寄与を可能とし、構造化された偏差に対する堅牢性の向上を実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting structural instability and anomalies in high-dimensional financial time series is challenging due to complex temporal dependence and evolving cross-sectional structure. We propose ReGEN-TAD, an interpretable generative framework that integrates modern machine learning with econometric diagnostics for anomaly detection. The model combines joint forecasting and reconstruction within a refined convolutional--transformer architecture and aggregates complementary signals capturing predictive inconsistency, reconstruction degradation, latent distortion, and volatility shifts. Robust calibration yields a unified anomaly score without labeled data. Experiments on synthetic and financial panels demonstrate improved robustness to structured deviations while enabling economically coherent factor-level attribution.
• Abstract（参考訳）: 高次元金融時系列における構造不安定性と異常の検出は、複雑な時間的依存と断面構造の進化のために困難である。 本稿では、現代の機械学習と、異常検出のための計量診断を統合した解釈可能な生成フレームワークであるReGEN-TADを提案する。 このモデルは、洗練された畳み込み変換アーキテクチャ内での共同予測と再構築を組み合わせ、予測の不整合、再構成劣化、潜時歪み、ボラティリティシフトを観測する補完的な信号を集約する。 ロバスト校正はラベル付きデータなしで統一された異常スコアを得る。 合成およびファイナンシャルパネルの実験は、経済的にコヒーレントな因子レベルの寄与を可能とし、構造化された偏差に対する堅牢性の向上を実証した。

関連論文リスト

• SIGMA: Scalable Spectral Insights for LLM Collapse [51.863164847253366]
  SIGMA(Spectral Inequalities for Gram Matrix Analysis)は,モデル崩壊のための統一的なフレームワークである。 行列のスペクトル上の決定論的境界を導出するベンチマークを利用することで、SIGMAは表現空間の収縮を追跡するために数学的に基底化された計量を提供する。 我々は、SIGMAが状態への遷移を効果的に捉え、崩壊のメカニズムに関する理論的知見の両方を提供することを示した。
  論文  参考訳（メタデータ） (2026-01-06T19:47:11Z)
• Noise & pattern: identity-anchored Tikhonov regularization for robust structural anomaly detection [58.535473924035365]
  異常検出は自動産業検査において重要な役割を担い、他の均一な視覚パターンの微妙な欠陥や稀な欠陥を識別することを目的としている。 自己教師型オートエンコーダを用いて, 破損した入力の修復を学習する構造的異常検出に取り組む。 構造欠陥を模倣した画像に人工的破壊を注入する汚職モデルを導入する。
  論文  参考訳（メタデータ） (2025-11-10T15:48:50Z)
• Attention to Order: Transformers Discover Phase Transitions via Learnability [0.0]
  本稿では,微視的状態から構造を抽出するための注意機構を含む変圧器モデルの能力として定義される,普遍的基準としての学習可能性を紹介する。 モンテカルロが生成した2次元Isingモデルの自己教師付き学習を用いて,次相が学習性の向上に対応することを示す。 以上の結果から, 位相遷移のデータ駆動マーカーとしての学習可能性を確立し, 凝縮物質中の長距離秩序と現代言語モデルにおける構造の出現との深い並列性を強調した。
  論文  参考訳（メタデータ） (2025-10-08T18:00:59Z)
• An Improved Time Series Anomaly Detection by Applying Structural Similarity [17.056935729423667]
  本稿では,新しい構造強化型異常検出手法であるStrADを提案する。 この結果から,StrADは5つの実世界の異常検出データセットにまたがって,最先端の再構築モデルの性能を向上させることを示した。
  論文  参考訳（メタデータ） (2025-09-24T14:45:00Z)
• Structure-Aware Temporal Modeling for Chronic Disease Progression Prediction [8.037298084079504]
  本研究は、症状進化の複雑さと時間依存性モデリングの不十分さの課題に対処する。 構造的知覚と時間的モデリングを統合した統合予測フレームワークを提案する。 その結果,提案手法はAUC,RMSE,IPW-F1の既存の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-08-20T04:55:24Z)
• Loss-Complexity Landscape and Model Structure Functions [53.92822954974537]
  我々はコルモゴロフ構造関数 $h_x(alpha)$ を双対化するためのフレームワークを開発する。 情報理論構造と統計力学の数学的類似性を確立する。 構造関数と自由エネルギーの間のルジャンドル・フェンシェル双対性を明確に証明する。
  論文  参考訳（メタデータ） (2025-07-17T21:31:45Z)
• Graph Evidential Learning for Anomaly Detection [19.046244103954855]
  本稿では,グラフ・エビデンシャル・ラーニング(GEL)を提案する。 GELはグラフの不確かさと再構成の不確かさの2つのタイプを定量化し、それらを異常スコアリング機構に組み込む。 GELは、ノイズや構造的摂動に対して高い堅牢性を保ちながら、最先端の性能を達成する。
  論文  参考訳（メタデータ） (2025-05-31T15:06:42Z)

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。