論文の概要: Surprised by Attention: Predictable Query Dynamics for Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2603.12916v1
• Date: Fri, 13 Mar 2026 11:40:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:12.066288
• Title: Surprised by Attention: Predictable Query Dynamics for Time Series Anomaly Detection
• Title（参考訳）: 注意:時系列異常検出のための予測可能なクエリダイナミクス
• Authors: Kadir-Kaan Özer, René Ebeling, Markus Enzweiler,
• Abstract要約: AxonADは、マルチヘッドアテンションクエリの進化を短い水平方向予測可能なプロセスとして扱う教師なし検出器である。 テール集約型クエリミスマッチスコアは、最近のタイムステップで予測されたクエリとターゲットクエリの相違を測定する。 インターバルアノテーションを用いた車内テレメトリでは、AxonADは強力なベースライン上でのランキング品質と時間的ローカライゼーションを改善している。
• 参考スコア（独自算出の注目度）: 1.7751300245073598
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multivariate time series anomalies often manifest as shifts in cross-channel dependencies rather than simple amplitude excursions. In autonomous driving, for instance, a steering command might be internally consistent but decouple from the resulting lateral acceleration. Residual-based detectors can miss such anomalies when flexible sequence models still reconstruct signals plausibly despite altered coordination. We introduce AxonAD, an unsupervised detector that treats multi-head attention query evolution as a short horizon predictable process. A gradient-updated reconstruction pathway is coupled with a history-only predictor that forecasts future query vectors from past context. This is trained via a masked predictor-target objective against an exponential moving average (EMA) target encoder. At inference, reconstruction error is combined with a tail-aggregated query mismatch score, which measures cosine deviation between predicted and target queries on recent timesteps. This dual approach provides sensitivity to structural dependency shifts while retaining amplitude-level detection. On proprietary in-vehicle telemetry with interval annotations and on the TSB-AD multi-variate suite (17 datasets, 180 series) with threshold-free and range-aware metrics, AxonAD improves ranking quality and temporal localization over strong baselines. Ablations confirm that query prediction and combined scoring are the primary drivers of the observed gains. Code is available at the URL https://github.com/iis-esslingen/AxonAD.
• Abstract（参考訳）: 多変量時系列異常は、単純な振幅抽出ではなく、チャネル間の依存関係の変化として現れることが多い。 例えば、自律運転では、ステアリングコマンドは内部的に一貫性があるが、結果として生じる横加速度とは分離される。 残差に基づく検出器は、調整が変更されているにもかかわらず、フレキシブルシーケンスモデルが確実に信号を再構成する場合、そのような異常を見逃す可能性がある。 我々は,マルチヘッドアテンションクエリの進化を短時間で予測可能なプロセスとして扱う,教師なし検出器であるAxonADを紹介した。 勾配更新された再構成経路は、過去のコンテキストから将来のクエリベクトルを予測する履歴のみ予測器と結合される。 これは、指数移動平均(EMA)目標エンコーダに対して、マスクされた予測対象オブジェクトを介して訓練される。 推測において、再構成エラーは、最近のタイムステップにおける予測クエリとターゲットクエリのコサイン偏差を測定する、テール集約型クエリミスマッチスコアと組み合わせられる。 この二重アプローチは、振幅レベルの検出を維持しながら、構造的依存シフトに対する感度を提供する。 インターバルアノテーションを備えた独自の車内テレメトリと、しきい値のないレンジ対応メトリクスを備えたTSB-ADマルチ変数スイート(17データセット、180シリーズ)では、AxonADは強力なベースラインよりもランキング品質と時間的ローカライゼーションを改善している。 アブレーションは、クエリ予測と複合スコアリングが、観測された利得の主要な要因であることを確認した。 コードはURL https://github.com/iis-esslingen/AxonAD で公開されている。

関連論文リスト

• Real-Time Proactive Anomaly Detection via Forward and Backward Forecast Modeling [0.0]
  本稿では,前向き予測モデル (FFM) と後向き再構成モデル (BRM) の2つの前向きな異常検出フレームワークを紹介する。 FFMは破壊を予想する将来のシーケンスを予測し、BRMは将来の状況から最近の歴史を再構築し、初期の前駆体を明らかにする。 我々のモデルは連続的および離散的多変量特徴の両方をサポートし、実環境における堅牢な性能を実現する。
  論文  参考訳（メタデータ） (2026-02-12T03:57:41Z)
• LEFT: Learnable Fusion of Tri-view Tokens for Unsupervised Time Series Anomaly Detection [53.191369031661885]
  教師なし時系列異常検出は、アノテーションの可用性を前提とせず、異常なタイムスタンプを識別するモデルを構築することを目的としている。 本稿では,非教師付きTSADフレームワークであるLearnable Fusion of Tri-view Tokens(LEFT)について述べる。 実世界のベンチマーク実験では、LEFTはSOTAベースラインに対して最高の検出精度を示し、FLOPの5倍、トレーニングの8倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-09T13:33:49Z)
• 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)
• Pi-Transformer: A Physics-informed Attention Mechanism for Time Series Anomaly Detection [3.8673630752805437]
  2つの注意経路を持つ物理インフォーム変換器であるPi-Transformerを提案する。 このモデルは、アライメント重み付けされた再構成信号と、タイミングと位相破壊を強調するミスマッチ信号を組み合わせる。 Pi-Transformerは最先端または競争性の高いF1を実現し、特にタイミングと位相破壊異常に強い。
  論文  参考訳（メタデータ） (2025-09-24T10:47:48Z)
• FreDF: Learning to Forecast in the Frequency Domain [54.2091536822376]
  時系列モデリングは、歴史的データと将来のシーケンスの両方における自己相関による固有の課題を提示する。 本稿では,周波数領域の予測学習によりラベル自己相関を緩和する周波数強調直接予測(FreDF)を提案する。
  論文  参考訳（メタデータ） (2024-02-04T08:23:41Z)
• AER: Auto-Encoder with Regression for Time Series Anomaly Detection [12.418290128163882]
  時系列データの異常検出は、様々な産業領域でますます一般的になっている。 最近の教師なし機械学習手法は、この問題に対処する上で顕著な進歩を遂げている。 本稿では,バニラオートエンコーダとLSTM回帰器を組み合わせたジョイントモデルであるAER(Auto-encoder with Regression)を提案する。
  論文  参考訳（メタデータ） (2022-12-27T17:22:21Z)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• Video Anomaly Detection via Prediction Network with Enhanced Spatio-Temporal Memory Exchange [21.334952965297667]
  ビデオ異常検出は、ほとんどの異常は少なく、決定論的ではないため、難しい作業である。 大規模なメモリ交換を拡張した畳み込みLSTM自動エンコーダ予測フレームワークを設計する。 3つのベンチマークで評価した結果,我々のフレームワークは既存の予測に基づく異常検出手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-06-26T16:10:56Z)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)

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。