論文の概要: Unified Taxonomy for Multivariate Time Series Anomaly Detection using Deep Learning

• arxiv url: http://arxiv.org/abs/2603.18941v1
• Date: Thu, 19 Mar 2026 14:17:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.191389
• Title: Unified Taxonomy for Multivariate Time Series Anomaly Detection using Deep Learning
• Title（参考訳）: 深層学習を用いた多変量時系列異常検出のための統一分類法
• Abstract要約: 本研究は,3つの部分(入力,出力,モデル)に11次元の新規で統一的な分類法を導入し,MDSAD法を分類した。 その結果、トランスフォーマーベースと再構成および予測モデルへの収束が明らかとなった。 この研究は、この分野における断片的な知識を集約し、将来のMTSAD研究の基準点を提供する。
• 参考スコア（独自算出の注目度）: 0.08749675983608168
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The topic of Multivariate Time Series Anomaly Detection (MTSAD) has grown rapidly over the past years, with a steady rise in publications and Deep Learning (DL) models becoming the dominant paradigm. To address the lack of systematization in the field, this study introduces a novel and unified taxonomy with eleven dimensions over three parts (Input, Output and Model) for the categorization of DL-based MTSAD methods. The dimensions were established in a two-fold approach. First, they derived from a comprehensive analysis of methodological studies. Second, insights from review papers were incorporated. Furthermore, the proposed taxonomy was validated using an additional set of recent publications, providing a clear overview of methodological trends in MTSAD. Results reveal a convergence toward Transformer-based and reconstruction and prediction models, setting the foundation for emerging adaptive and generative trends. Building on and complementing existing surveys, this unified taxonomy is designed to accommodate future developments, allowing for new categories or dimensions to be added as the field progresses. This work thus consolidates fragmented knowledge in the field and provides a reference point for future research in MTSAD.
• Abstract（参考訳）: 近年,多変量時系列異常検出(MTSAD)の話題が急速に高まり,出版物やディープラーニング(DL)モデルが主流となっている。 分野における体系化の欠如に対処するため,本研究では,DL-based MTSAD法の分類のための3つの部分(入力,出力,モデル)に11次元の新規かつ統一された分類法を提案する。 次元は2倍のアプローチで確立された。 まず、方法論研究の包括的分析から派生した。 第二に、レビュー論文からの洞察が取り入れられた。 さらに,本分類法は,MSSADの方法論的傾向の明確化を図り,最近の論文の集合を用いて検証した。 その結果,トランスフォーマーに基づく再構築・予測モデルへの収束が明らかとなり,適応的・生成的傾向の新たな基盤が確立された。 既存の調査の上に構築され、補完するこの統合分類は、将来の発展に対応するために設計されており、分野が進むにつれて、新しいカテゴリーや次元を追加することができる。 この研究は、この分野における断片的な知識を集約し、将来のMTSAD研究の基準点を提供する。

関連論文リスト

• Test-Time Scaling in Multimodal Foundation Models: A Comprehensive Survey of Generation and Reasoning [26.30578541156939]
  テストタイムスケーリング(TTS)は,モデル性能向上のための重要な研究方向として登場した。 最近の進歩は、このパラダイムをMFM(Multimodal Foundation Models)に適用している。 MFMのためのTS研究の総合的なレビューを初めて紹介する。
  論文  参考訳（メタデータ） (2026-06-06T15:39:29Z)
• Anomaly Detection and Generation with Diffusion Models: A Survey [51.61574868316922]
  異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。 近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。 この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
  論文  参考訳（メタデータ） (2025-06-11T03:29:18Z)
• Unified Multimodal Understanding and Generation Models: Advances, Challenges, and Opportunities [22.476740954286836]
  今後の研究を導くための総合的な調査を行う。 既存の統一モデルについてレビューし、これらを3つの主要なアーキテクチャパラダイムに分類する。 トークン化戦略,クロスモーダルアテンション,データなど,この新興分野に直面する重要な課題について論じる。
  論文  参考訳（メタデータ） (2025-05-05T11:18:03Z)
• Foundation Models for Time Series: A Survey [0.27835153780240135]
  トランスフォーマーベースの基礎モデルは時系列解析において支配的なパラダイムとして現れてきた。 この調査は、いくつかの分野にまたがって分類する新しい分類法を導入している。
  論文  参考訳（メタデータ） (2025-04-05T01:27:55Z)
• From Task-Specific Models to Unified Systems: A Review of Model Merging Approaches [13.778158813149833]
  本稿では、モデルマージ手法の新たな分類法を確立し、異なるアプローチを体系的に比較し、重要な展開の概要を提供する。 この分野での急速な進歩にもかかわらず、最近の進歩と今後の方向性を予測する包括的な分類学と調査はいまだに欠落している。
  論文  参考訳（メタデータ） (2025-03-12T02:17:31Z)
• A Survey of Model Architectures in Information Retrieval [59.61734783818073]
  2019年から現在までの期間は、情報検索(IR)と自然言語処理(NLP)における最大のパラダイムシフトの1つとなっている。 従来の用語ベースの手法から現代のニューラルアプローチまで,特にトランスフォーマーベースのモデルとそれに続く大規模言語モデル(LLM)の影響が注目されている。 今後の課題と今後の方向性について、先見的な議論で締めくくります。
  論文  参考訳（メタデータ） (2025-02-20T18:42:58Z)
• Deep Graph Anomaly Detection: A Survey and New Perspectives [86.84201183954016]
  グラフ異常検出(GAD)は、異常なグラフインスタンス(ノード、エッジ、サブグラフ、グラフ)を特定することを目的とする。 ディープラーニングアプローチ、特にグラフニューラルネットワーク(GNN)は、GADにとって有望なパラダイムとして現れています。
  論文  参考訳（メタデータ） (2024-09-16T03:05:11Z)
• Advancing Additive Manufacturing through Deep Learning: A Comprehensive Review of Current Progress and Future Challenges [5.048134681658527]
  本稿では,添加性製造(AM)における深層学習(DL)応用の総合的な文献レビューについて紹介する。 急速に成長するが散在するこの分野で徹底的な分析の必要性に対処し、既存の知識をまとめ、さらなる開発を促進することを目的としている。
  論文  参考訳（メタデータ） (2024-03-01T17:01:47Z)
• Recognizing Identities From Human Skeletons: A Survey on 3D Skeleton Based Person Re-Identification [60.939250172443586]
  3Dスケルトンによる人物の再同定は、パターン認識コミュニティ内で注目を集める重要な研究分野である。 近年のSRID進歩の総合的なレビューと分析を行っている。 様々なベンチマークやプロトコルを用いて、最先端のSRID手法の徹底的な評価を行い、その有効性と効率性を比較した。
  論文  参考訳（メタデータ） (2024-01-27T04:52:24Z)
• Late Meta-learning Fusion Using Representation Learning for Time Series Forecasting [0.0]
  本研究は,これらの話題を包含する統合分類法を提案する。 この研究は、いくつかのモデル融合アプローチと、Deep-learning Forecast Model Averaging (DeFORMA)と呼ばれるハイブリッドおよび特徴積み重ねアルゴリズムの新たな組み合わせを実証的に評価した。 提案したモデルであるDeFORMAは、M4データセットで最先端の結果を得ることができる。
  論文  参考訳（メタデータ） (2023-03-20T10:29:42Z)
• Recent Few-Shot Object Detection Algorithms: A Survey with Performance Comparison [54.357707168883024]
  Few-Shot Object Detection (FSOD)は、人間の学習能力を模倣する。 FSODは、学習した汎用オブジェクトの知識を共通のヘビーテールから新しいロングテールオブジェクトクラスにインテリジェントに転送する。 本稿では,問題定義,共通データセット,評価プロトコルなどを含むFSODの概要を紹介する。
  論文  参考訳（メタデータ） (2022-03-27T04:11:28Z)
• A Comprehensive Study on Temporal Modeling for Online Action Detection [50.558313106389335]
  オンライン行動検出(OAD)は実用的だが難しい課題であり、近年注目を集めている。 本稿では,4種類の時間的モデリング手法を含むOADの時間的モデリングに関する総合的研究を提案する。 本稿では,THUMOS-14 と TVSeries に対して,近年の最先端手法よりも大きなマージンを有するハイブリッド時間モデルを提案する。
  論文  参考訳（メタデータ） (2020-01-21T13:12:58Z)

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。