論文の概要: BoundAD: Boundary-Aware Negative Generation for Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2603.18111v1
• Date: Wed, 18 Mar 2026 13:50:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:05.773317
• Title: BoundAD: Boundary-Aware Negative Generation for Time Series Anomaly Detection
• Title（参考訳）: BoundAD: 時系列異常検出のための境界認識負生成
• Authors: Xiancheng Wang, Lin Wang, Zhibo Zhang, Rui Wang, Minghang Zhao,
• Abstract要約: 本稿では, 正規サンプルの再構成プロセスを通じて, ハードネガを自動生成するリコンストラクション駆動境界負生成フレームワークを提案する。 提案手法は,異常表現学習を効果的に改善し,現在のデータセット上での競合検出性能を実現する。
• 参考スコア（独自算出の注目度）: 12.167081924571951
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Contrastive learning methods for time series anomaly detection (TSAD) heavily depend on the quality of negative sample construction. However, existing strategies based on random perturbations or pseudo-anomaly injection often struggle to simultaneously preserve temporal semantic consistency and provide effective decision-boundary supervision. Most existing methods rely on prior anomaly injection, while overlooking the potential of generating hard negatives near the data manifold boundary directly from normal samples themselves. To address this issue, we propose a reconstruction-driven boundary negative generation framework that automatically constructs hard negatives through the reconstruction process of normal samples. Specifically, the method first employs a reconstruction network to capture normal temporal patterns, and then introduces a reinforcement learning strategy to adaptively adjust the optimization update magnitude according to the current reconstruction state. In this way, boundary-shifted samples close to the normal data manifold can be induced along the reconstruction trajectory and further used for subsequent contrastive representation learning. Unlike existing methods that depend on explicit anomaly injection, the proposed framework does not require predefined anomaly patterns, but instead mines more challenging boundary negatives from the model's own learning dynamics. Experimental results show that the proposed method effectively improves anomaly representation learning and achieves competitive detection performance on the current dataset.
• Abstract（参考訳）: 時系列異常検出(TSAD)の対比学習法は, 負のサンプル構築の品質に大きく依存する。 しかし、ランダムな摂動や擬似異常注入に基づく既存の戦略は、時間的意味的一貫性を同時に保ち、効果的な意思決定境界管理を提供するのに苦慮することが多い。 既存のほとんどのメソッドは、通常のサンプルから直接データ多様体境界付近で強陰性を生成する可能性を見越しながら、事前の異常注入に依存している。 そこで本研究では, 正規サンプルの再構成プロセスを通じて, ハードネガティブを自動的に構築するリコンストラクション駆動境界負生成フレームワークを提案する。 具体的には、まず、復元ネットワークを用いて通常の時間パターンをキャプチャし、次に、現在の再構築状況に応じて最適化更新サイズを適応的に調整する強化学習戦略を導入する。 このように、正規データ多様体に近い境界シフトされたサンプルは、再構成軌道に沿って誘導され、その後のコントラスト表現学習にさらに使用される。 明示的な異常注入に依存する既存の手法とは異なり、提案されたフレームワークは事前定義された異常パターンを必要としない。 実験の結果,提案手法は異常表現学習を効果的に改善し,現在のデータセット上での競合検出性能を実現する。

関連論文リスト

• Towards Foundation Models for Zero-Shot Time Series Anomaly Detection: Leveraging Synthetic Data and Relative Context Discrepancy [33.68487894996624]
  時系列異常検出(TSAD)は重要な課題であるが、見えないデータに一般化するモデルを開発することは大きな課題である。 我々は、新しい事前学習パラダイムの上に構築されたTSADの新たな基盤モデルであるtextttTimeRCDを紹介した。 textttTimeRCD はゼロショット TSAD において,既存の汎用および異常固有の基盤モデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-25T14:05:15Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)

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。