論文の概要: Temporal-Conditioned Normalizing Flows for Multivariate Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2603.09490v1
• Date: Tue, 10 Mar 2026 10:49:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.239498
• Title: Temporal-Conditioned Normalizing Flows for Multivariate Time Series Anomaly Detection
• Title（参考訳）: 多変量時系列異常検出のための時間制約正規化流れ
• Authors: David Baumgartner, Helge Langseth, Kenth Engø-Monsen, Heri Ramampiaro,
• Abstract要約: 時間条件付きフロー(tcNF)は時系列データの異常検出に対処する新しいフレームワークである。 tcNFは複雑な時間的ダイナミクスを効果的に捉え、期待される振る舞いの正確な確率を生成する。 我々は,様々なデータセット上でtcNFを評価し,既存の手法と比較して精度と堅牢性を実証した。
• 参考スコア（独自算出の注目度）: 0.6399763005153404
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This paper introduces temporal-conditioned normalizing flows (tcNF), a novel framework that addresses anomaly detection in time series data with accurate modeling of temporal dependencies and uncertainty. By conditioning normalizing flows on previous observations, tcNF effectively captures complex temporal dynamics and generates accurate probability distributions of expected behavior. This autoregressive approach enables robust anomaly detection by identifying low-probability events within the learned distribution. We evaluate tcNF on diverse datasets, demonstrating good accuracy and robustness compared to existing methods. A comprehensive analysis of strengths and limitations and open-source code is provided to facilitate reproducibility and future research.
• Abstract（参考訳）: 本稿では,時系列データの異常検出に時間依存性と不確実性を正確にモデル化した新しいフレームワークである時間条件正規化フロー(tcNF)を紹介する。 従来の観測に正規化フローを条件付けすることにより、tcNFは複雑な時間的ダイナミクスを効果的に捕捉し、期待される振る舞いの正確な確率分布を生成する。 この自己回帰アプローチは、学習された分布内の低確率事象を識別することにより、堅牢な異常検出を可能にする。 我々は,様々なデータセット上でtcNFを評価し,既存の手法と比較して精度と堅牢性を実証した。 再現性と今後の研究を容易にするため、強度と限界の包括的な分析とオープンソースコードを提供する。

関連論文リスト

• A Theoretical Analysis of Detecting Large Model-Generated Time Series [19.438825121010783]
  データ誤用や製造のリスクが高まっているため、時系列大モデル(TSLM)が生成する合成時系列を識別する問題について検討する。 本研究では, TSLM生成時系列を識別するために, 連続プレフィックス上で不確実性指標を集約するホワイトボックス検出器である不確実性収縮推定器(UCE)を紹介する。
  論文  参考訳（メタデータ） (2025-11-10T13:48:48Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• CALM: A Framework for Continuous, Adaptive, and LLM-Mediated Anomaly Detection in Time-Series Streams [0.42970700836450476]
  本稿では,リアルタイム異常検出のための新しいエンドツーエンドフレームワークであるCALMを紹介する。 CALMはApache Beam分散処理フレームワーク上に構築されている。 クローズドループで連続的な微調整機構を実装し、異常検出モデルがほぼリアルタイムで進化するデータパターンに適応できるようにする。
  論文  参考訳（メタデータ） (2025-08-29T00:27:35Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• ImDiffusion: Imputed Diffusion Models for Multivariate Time Series Anomaly Detection [44.21198064126152]
  我々はImDiffusionという新しい異常検出フレームワークを提案する。 ImDiffusionは時系列計算と拡散モデルを組み合わせて、正確で堅牢な異常検出を実現する。 我々はImDiffusionの性能をベンチマークデータセットの広範な実験により評価する。
  論文  参考訳（メタデータ） (2023-07-03T04:57:40Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)
• Flow-based Spatio-Temporal Structured Prediction of Motion Dynamics [21.24885597341643]
  条件付き流れ (CNF) は、高次元と相互相関を持つ複雑な分布を表現できるフレキシブルな生成モデルである。 本研究では,時間的入力特徴の出力を自己回帰的に正規化する新しい手法としてMotionFlowを提案する。 本稿では,予測,動き予測時系列予測,二分節分割などのタスクに本手法を適用した。
  論文  参考訳（メタデータ） (2021-04-09T14:30:35Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。