論文の概要: Long-Term Outlier Prediction Through Outlier Score Modeling
- arxiv url: http://arxiv.org/abs/2603.20993v1
- Date: Sun, 22 Mar 2026 00:24:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:39.187268
- Title: Long-Term Outlier Prediction Through Outlier Score Modeling
- Title（参考訳）: 外乱スコアモデリングによる長期外乱予測
- Authors: Yuma Aoki, Joon Park, Koh Takeuchi, Hisashi Kashima, Shinya Akimoto, Ryuichi Hashimoto, Takahiro Adachi, Takeshi Kishikawa, Takamitsu Sasaki,
- Abstract要約: 本研究は,時間系列外乱検出において,新たな問題設定である長期外乱予測を提案することにより,重要なギャップを解消するものである。
従来の手法は主に、通常のパターンから逸脱を特定することによって、即時検出に焦点を当てていた。
特定のモデルに依存しない単純で教師なしの2層手法を提案する。
- 参考スコア（独自算出の注目度）: 11.050517940486857
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study addresses an important gap in time series outlier detection by proposing a novel problem setting: long-term outlier prediction. Conventional methods primarily focus on immediate detection by identifying deviations from normal patterns. As a result, their applicability is limited when forecasting outlier events far into the future. To overcome this limitation, we propose a simple and unsupervised two-layer method that is independent of specific models. The first layer performs standard outlier detection, and the second layer predicts future outlier scores based on the temporal structure of previously observed outliers. This framework enables not only pointwise detection but also long-term forecasting of outlier likelihoods. Experiments on synthetic datasets show that the proposed method performs well in both detection and prediction tasks. These findings suggest that the method can serve as a strong baseline for future work in outlier detection and forecasting.
- Abstract（参考訳）: 本研究は,時間系列外乱検出において,新たな問題設定である長期外乱予測を提案することにより,重要なギャップを解消するものである。
従来の手法は主に、通常のパターンから逸脱を特定することによって、即時検出に焦点を当てていた。
結果として、その適用性は、未来から遠く離れた異常事象を予測する場合に制限される。
この制限を克服するために、特定のモデルに依存しない単純で教師なしの2層法を提案する。
第1の層は、標準の外れ値検出を行い、第2の層は、以前に観測された外れ値の時間構造に基づいて、将来の外れ値のスコアを予測する。
このフレームワークは、ポイントワイズ検出だけでなく、アウトリーチ確率の長期予測を可能にする。
合成データセットの実験により,提案手法は検出タスクと予測タスクの両方で良好に動作することが示された。
これらの結果から,この手法は,外乱検出および予測における今後の研究の強力なベースラインとなる可能性が示唆された。
関連論文リスト
- Accuracy Law for the Future of Deep Time Series Forecasting [65.46625911002202]
時系列予測は、部分的に観測可能で不確実な性質のため、本質的にゼロでない誤差の低い境界に直面する。
本稿では、ディープ時系列予測の性能上限をどうやって推定するかという根本的な問題に焦点をあてる。
新たに訓練された2,800以上の深層予測器の厳密な統計的テストに基づいて、深部モデルの最小予測誤差とウィンドウワイズ級数パターンの複雑さとの間に有意な指数関数的関係を見出した。
論文 参考訳（メタデータ） (2025-10-03T05:18:47Z) - Zono-Conformal Prediction: Zonotope-Based Uncertainty Quantification for Regression and Classification Tasks [41.14877380522394]
コンフォーマル予測は、統計的に有効なカバレッジ保証を備えた予測セットでベース予測器を拡張するために使用される。
本稿では、間隔予測モデルとリーチセット・コンフォーマント同定にインスパイアされた新しいアプローチであるゾノ・コンフォーマル予測を導入する。
ゾノコンフォーマル予測器は間隔予測器モデルや標準共形予測法よりも保守的でないことを示す。
論文 参考訳（メタデータ） (2025-08-14T19:03:28Z) - STEMO: Early Spatio-temporal Forecasting with Multi-Objective Reinforcement Learning [11.324029387605888]
本稿では,多目的強化学習に基づく早期時相予測モデルを提案する。
提案手法は,3つの大規模実世界のデータセットに対して優れた性能を示す。
論文 参考訳（メタデータ） (2024-06-06T13:03:51Z) - Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
本稿では,長期時系列予測のための制約付き学習手法を提案する。
提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-02-14T18:20:44Z) - Towards Motion Forecasting with Real-World Perception Inputs: Are
End-to-End Approaches Competitive? [93.10694819127608]
実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。
我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
論文 参考訳（メタデータ） (2023-06-15T17:03:14Z) - Ambiguity in Sequential Data: Predicting Uncertain Futures with
Recurrent Models [110.82452096672182]
逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。
また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
論文 参考訳（メタデータ） (2020-03-10T09:15:42Z)
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。