論文の概要: Anomaly detection in time-series via inductive biases in the latent space of conditional normalizing flows

• arxiv url: http://arxiv.org/abs/2603.11756v1
• Date: Thu, 12 Mar 2026 10:02:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:26.009184
• Title: Anomaly detection in time-series via inductive biases in the latent space of conditional normalizing flows
• Title（参考訳）: 条件正規化流の潜時空間における誘導バイアスによる時系列異常検出
• Authors: David Baumgartner, Eliezer de Souza da Silva, Iñigo Urteaga,
• Abstract要約: 本研究では、条件付き正規化フローにおける明示的な帰納バイアスを導入し、離散時間状態空間フレームワーク内の時系列観測をモデル化する。 異常検出は統計的に根拠付けられたコンプライアンステストに還元され、観測は遅延空間にマッピングされ、適合性テストによって評価される。 合成および実世界の時系列実験は、周波数、振幅、観測ノイズの異常を確実に検出することを示した。
• 参考スコア（独自算出の注目度）: 3.3609128464006015
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep generative models for anomaly detection in multivariate time-series are typically trained by maximizing data likelihood. However, likelihood in observation space measures marginal density rather than conformity to structured temporal dynamics, and therefore can assign high probability to anomalous or out-of-distribution samples. We address this structural limitation by relocating the notion of anomaly to a prescribed latent space. We introduce explicit inductive biases in conditional normalizing flows, modeling time-series observations within a discrete-time state-space framework that constrains latent representations to evolve according to prescribed temporal dynamics. Under this formulation, expected behavior corresponds to compliance with a specified distribution over latent trajectories, while anomalies are defined as violations of these dynamics. Anomaly detection is consequently reduced to a statistically grounded compliance test, such that observations are mapped to latent space and evaluated via goodness-of-fit tests against the prescribed latent evolution. This yields a principled decision rule that remains effective even in regions of high observation likelihood. Experiments on synthetic and real-world time-series demonstrate reliable detection of anomalies in frequency, amplitude, and observation noise, while providing interpretable diagnostics of model compliance.
• Abstract（参考訳）: 多変量時系列における異常検出のための深い生成モデルは、典型的にはデータ可能性の最大化によって訓練される。 しかし、観測空間の確率は、構造化時間力学に適合するよりも限界密度を測り、したがって異常または分布外サンプルに高い確率を割り当てることができる。 この構造的制限は、異常の概念を所定の潜在空間に移動させることによって解決する。 本研究では、条件付き正規化フローにおける明示的な帰納バイアスを導入し、所定の時間的ダイナミクスに従って潜在表現を進化させる離散時間状態空間フレームワーク内の時系列観測をモデル化する。 この定式化の下では、期待された振る舞いは潜在軌道上の特定の分布に対応するが、異常はこれらの力学の違反として定義される。 その結果、異常検出は統計的に根拠付けられたコンプライアンステストに還元され、観測は潜伏空間にマッピングされ、所定の潜伏進化に対する適合性テストによって評価される。 これは、高い観測可能性の領域でも有効であるような、原則化された決定ルールをもたらす。 合成および実世界の時系列実験は、モデルコンプライアンスの解釈可能な診断を提供しながら、周波数、振幅、観測ノイズの異常を確実に検出することを示した。

関連論文リスト

• Robust Spatiotemporally Contiguous Anomaly Detection Using Tensor Decomposition [14.212807007278185]
  本稿では,非教師付きテンソルに基づく異常検出手法を提案する。 提案手法は合成データと実データの両方で評価される。
  論文  参考訳（メタデータ） (2025-10-01T03:25:44Z)
• 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)
• Explainable Time Series Anomaly Detection using Masked Latent Generative Modeling [1.3927943269211591]
  本稿では,新しい時系列異常検出法であるTimeVQVAE-ADを提案する。 TimeVQVAE-ADは、優れた説明性を提供しながら、優れた検出精度を実現する。 私たちはGitHubに実装を提供しています。
  論文  参考訳（メタデータ） (2023-11-21T11:59:16Z)
• Time series anomaly detection with reconstruction-based state-space models [10.085100442558828]
  本稿では,時系列データに対する新しい教師なし異常検出手法を提案する。 長い短期記憶(LSTM)ベースのエンコーダデコーダを用いて観測空間と潜時空間のマッピングを行う。 潜在空間の正規化は、通常のサンプルの状態に制約を課し、マハラノビス距離を用いて異常レベルを評価する。
  論文  参考訳（メタデータ） (2023-03-06T17:52:35Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)

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。