論文の概要: Adversarial-Robust Multivariate Time-Series Anomaly Detection via Joint Information Retention

• arxiv url: http://arxiv.org/abs/2603.25956v1
• Date: Thu, 26 Mar 2026 22:53:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.307468
• Title: Adversarial-Robust Multivariate Time-Series Anomaly Detection via Joint Information Retention
• Title（参考訳）: 連関情報保持による逆回転多変量時系列異常検出
• Authors: Hadi Hojjati, Narges Armanfard,
• Abstract要約: 時系列異常検出(TSAD)は複雑なシステムを監視する上で重要な要素である。 現代のディープラーニングに基づく検出器は、しばしば局所的な入力の破損や構造的なノイズに敏感である。 本稿では, 原理的 min-max 最適化目標を用いて, 検出ロバスト性を向上する共同トレーニングフレームワーク ARTA を提案する。
• 参考スコア（独自算出の注目度）: 9.525172018746524
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time-series anomaly detection (TSAD) is a critical component in monitoring complex systems, yet modern deep learning-based detectors are often highly sensitive to localized input corruptions and structured noise. We propose ARTA (Adversarially Robust multivariate Time-series Anomaly detection via joint information retention), a joint training framework that improves detector robustness through a principled min-max optimization objective. ARTA comprises an anomaly detector and a sparsity-constrained mask generator that are trained simultaneously. The generator identifies minimal, task-relevant temporal perturbations that maximally increase the detector's anomaly score, while the detector is optimized to remain stable under these structured perturbations. The resulting masks characterize the detector's sensitivity to adversarial temporal corruptions and can serve as explanatory signals for the detector's decisions. This adversarial training strategy exposes brittle decision pathways and encourages the detector to rely on distributed and stable temporal patterns rather than spurious localized artifacts. We conduct extensive experiments on the TSB-AD benchmark, demonstrating that ARTA consistently improves anomaly detection performance across diverse datasets and exhibits significantly more graceful degradation under increasing noise levels compared to state-of-the-art baselines.
• Abstract（参考訳）: 時系列異常検出(TSAD)は複雑なシステムを監視する上で重要な要素であるが、現代のディープラーニングベースの検出器は、しばしば局所的な入力の破損や構造的なノイズに非常に敏感である。 本稿では,原理的 min-max 最適化目標により検出ロバスト性を向上させる共同学習フレームワーク ARTA を提案する。 ARTAは異常検知器と、同時に訓練されるスパーシ拘束マスクジェネレータを備える。 発電機は最小限のタスク関連時間的摂動を識別し、検出器の異常スコアを最大に増加させ、検出器はこれらの構造的摂動の下で安定に保たれるように最適化される。 結果として生じるマスクは、対向的な時間的腐敗に対する検出器の感度を特徴付け、検出器の決定の説明的信号として機能する。 この敵の訓練戦略は脆い決定経路を露呈し、検出器が急激な局所的な人工物ではなく、分散的で安定した時間パターンに頼ることを奨励する。 我々はTSB-ADベンチマークで広範な実験を行い、ARTAは様々なデータセットの異常検出性能を一貫して改善し、最先端のベースラインに比べてノイズレベルが増大するにつれて、はるかに優れた劣化を示すことを示した。

関連論文リスト

• Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
  受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。 これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
  論文  参考訳（メタデータ） (2026-02-04T15:25:02Z)
• LLM Hallucination Detection: A Fast Fourier Transform Method Based on Hidden Layer Temporal Signals [10.85580316542761]
  幻覚は、信頼性に敏感なアプリケーションに大規模言語モデル(LLM)をデプロイする上で、依然として重要な障壁である。 隠れ表現の時間的ダイナミクスをモデル化する新しい幻覚検出フレームワークであるHSAD(Hidden Signal Analysis-based Detection)を提案する。 TruthfulQAを含む複数のベンチマークにおいて、HSADは従来の最先端手法に比べて10パーセント以上の改善を実現している。
  論文  参考訳（メタデータ） (2025-09-16T15:08:19Z)
• Real-Time Bayesian Detection of Drift-Evasive GNSS Spoofing in Reinforcement Learning Based UAV Deconfliction [6.956559003734227]
  無人無人航空機(UAV)は、正確なリアルタイムの局地化と航法のためにグローバルナビゲーション衛星システム(GNSS)の擬似距離測定に頼っている。 この依存は、敵がUAV受信機を騙す偽りを操る洗練された偽造脅威にそれらを暴露する。 従来の分布シフト検出技術は、しばしばサンプルのしきい値の蓄積を必要とし、迅速な検出とタイムリーな応答を妨げる遅延を引き起こす。 本研究では,UAVナビゲーションにおける微妙な行動偏差を検出するために,強化学習(RL)批判ネットワークから評価値の時間的変化を監視する,ベイズオンライン変化点検出(BOCPD)アプローチについて検討する。
  論文  参考訳（メタデータ） (2025-07-15T10:27:27Z)
• SlowFastVAD: Video Anomaly Detection via Integrating Simple Detector and RAG-Enhanced Vision-Language Model [52.47816604709358]
  ビデオ異常検出(VAD)は、ビデオ内の予期せぬ事象を識別することを目的としており、安全クリティカルドメインに広く応用されている。 視覚言語モデル(VLM)は強力なマルチモーダル推論能力を示し、異常検出の新しい機会を提供している。 SlowFastVADは高速異常検出器と低速異常検出器を統合したハイブリッドフレームワークである。
  論文  参考訳（メタデータ） (2025-04-14T15:30:03Z)
• Calibrated Unsupervised Anomaly Detection in Multivariate Time-series using Reinforcement Learning [0.0]
  本稿では,自己エンコーダの潜伏空間における強化学習(RL)を用いた時系列データにおける教師なし異常検出について検討する。 我々はウェーブレット解析を用いて異常検出を強化し、時系列データを時間領域と周波数領域の両方に分解する。 我々は、合成異常を生成し、モデル内に教師付きフレームワークを埋め込むことで、決定境界を校正する。
  論文  参考訳（メタデータ） (2025-02-05T15:02:40Z)
• Multivariate Time Series Clustering for Environmental State Characterization of Ground-Based Gravitational-Wave Detectors [0.0]
  LIGOのような重力波観測所は、大規模で地上の機器をインフラに収容している。 厳密な地震隔離にもかかわらず、これらは依然として地震騒音やその他の地球外障害の影響を受けやすいままである。 これらの観測所の地震状態を特徴づけて、検出器オペレーターに知らせる一連の時間パターンを特定することが重要である。
  論文  参考訳（メタデータ） (2024-12-13T03:51:39Z)
• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• Convolutional Neural Network Design and Evaluation for Real-Time Multivariate Time Series Fault Detection in Spacecraft Attitude Sensors [41.94295877935867]
  本稿では,ドローンのような宇宙船の加速度計および慣性測定ユニット内のスタンプ値を検出するための新しい手法を提案する。 マルチチャネル畳み込みニューラルネットワーク(CNN)は、マルチターゲット分類を実行し、センサ内の障害を独立に検出するために使用される。 ネットワークの異常を効果的に検出し,システムレベルでの回復動作をトリガーする統合手法を提案する。
  論文  参考訳（メタデータ） (2024-10-11T09:36:38Z)
• ImDiffusion: Imputed Diffusion Models for Multivariate Time Series Anomaly Detection [44.21198064126152]
  我々はImDiffusionという新しい異常検出フレームワークを提案する。 ImDiffusionは時系列計算と拡散モデルを組み合わせて、正確で堅牢な異常検出を実現する。 我々はImDiffusionの性能をベンチマークデータセットの広範な実験により評価する。
  論文  参考訳（メタデータ） (2023-07-03T04:57:40Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• An Attention-based ConvLSTM Autoencoder with Dynamic Thresholding for Unsupervised Anomaly Detection in Multivariate Time Series [2.9685635948299995]
  本稿では,異常検出と診断を行うための動的閾値保持(ACLAE-DT)フレームワークを用いた非教師付き注意型畳み込み長短期記憶(ConvLSTM)オートエンコーダを提案する。 フレームワークは、システムステータスを特徴付ける機能イメージを構築する前に、データの事前処理と強化から始まります。 構築した特徴画像は注意に基づくConvLSTMオートエンコーダに入力される。 その後、再構成エラーを計算し、統計に基づく動的しきい値決定機構により異常を検出し診断する。
  論文  参考訳（メタデータ） (2022-01-23T04:01:43Z)

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。