論文の概要: VAN-AD: Visual Masked Autoencoder with Normalizing Flow For Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2603.26842v1
• Date: Fri, 27 Mar 2026 08:48:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.662092
• Title: VAN-AD: Visual Masked Autoencoder with Normalizing Flow For Time Series Anomaly Detection
• Title（参考訳）: VAN-AD: 時系列異常検出のためのフローを正規化した視覚マスク付きオートエンコーダ
• Authors: PengYu Chen, Shang Wan, Xiaohou Shi, Yuan Chang, Yan Sun, Sajal K. Das,
• Abstract要約: IoT対応サービスシステムの信頼性とセキュリティを維持するためには,時系列異常検出(TSAD)が不可欠である。 本稿では,大規模視覚モデルのTSADへの適用性について検討する。 TSADのための新しいMAEベースのフレームワークであるVAN-ADを提案する。
• 参考スコア（独自算出の注目度）: 17.972690703544764
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series anomaly detection (TSAD) is essential for maintaining the reliability and security of IoT-enabled service systems. Existing methods require training one specific model for each dataset, which exhibits limited generalization capability across different target datasets, hindering anomaly detection performance in various scenarios with scarce training data. To address this limitation, foundation models have emerged as a promising direction. However, existing approaches either repurpose large language models (LLMs) or construct largescale time series datasets to develop general anomaly detection foundation models, and still face challenges caused by severe cross-modal gaps or in-domain heterogeneity. In this paper, we investigate the applicability of large-scale vision models to TSAD. Specifically, we adapt a visual Masked Autoencoder (MAE) pretrained on ImageNet to the TSAD task. However, directly transferring MAE to TSAD introduces two key challenges: overgeneralization and limited local perception. To address these challenges, we propose VAN-AD, a novel MAE-based framework for TSAD. To alleviate the over-generalization issue, we design an Adaptive Distribution Mapping Module (ADMM), which maps the reconstruction results before and after MAE into a unified statistical space to amplify discrepancies caused by abnormal patterns. To overcome the limitation of local perception, we further develop a Normalizing Flow Module (NFM), which combines MAE with normalizing flow to estimate the probability density of the current window under the global distribution. Extensive experiments on nine real-world datasets demonstrate that VAN-AD consistently outperforms existing state-of-the-art methods across multiple evaluation metrics.We make our code and datasets available at https://github.com/PenyChen/VAN-AD.
• Abstract（参考訳）: IoT対応サービスシステムの信頼性とセキュリティを維持するためには,時系列異常検出(TSAD)が不可欠である。 既存の手法では、データセット毎に1つの特定のモデルをトレーニングする必要がある。これは、異なるターゲットデータセットにわたる限定的な一般化能力を示し、訓練データが少ないさまざまなシナリオにおける異常検出のパフォーマンスを妨げる。 この制限に対処するため、ファンデーションモデルは有望な方向として現れてきた。 しかし、既存のアプローチでは、大きな言語モデル(LLM)を再利用するか、大規模な時系列データセットを構築して、一般的な異常検出基盤モデルを開発するかのいずれかであり、いまだに深刻なクロスモーダルギャップやドメイン内不均一性によって引き起こされる課題に直面している。 本稿では,大規模視覚モデルのTSADへの適用性について検討する。 具体的には、ImageNetで事前訓練された視覚的マスクオートエンコーダ(MAE)をTSADタスクに適用する。 しかし、MAEをTSADへ直接転送することは、過一般化と局所的な知覚の制限という2つの大きな課題をもたらす。 これらの課題に対処するため、TSADのための新しいMAEベースのフレームワークであるVAN-ADを提案する。 過度な一般化問題を解決するため,MAE前後の再構成結果を統一的な統計空間にマッピングし,異常パターンによる不一致を増幅するAdaptive Distribution Mapping Module (ADMM) を設計した。 局所的な知覚の限界を克服するため,MAEと正規化フローを組み合わせた正規化フローモジュール (NFM) を開発した。 実世界の9つのデータセットに対する大規模な実験により、VAN-ADは複数の評価指標で既存の最先端メソッドを一貫して上回り、コードとデータセットはhttps://github.com/PenyChen/VAN-ADで公開しています。

関連論文リスト

• Exploring Multimodal Prompts For Unsupervised Continuous Anomaly Detection [12.745823680495887]
  マルチモーダルプロンプトに基づく教師なし連続異常検出フレームワークを提案する。 具体的には,CMPMB(Continuous Multimodal Prompt Memory Bank)を提案する。 また, 適応正規化モジュール (ANM) と動的融合戦略 (DFS) を統合し, 検出精度と対向ロバスト性を両立させるDefect-Semantic-Guided Adaptive Fusion Mechanism (DSG-AFM) を考案した。
  論文  参考訳（メタデータ） (2026-03-23T04:33:11Z)
• Towards One-for-All Anomaly Detection for Tabular Data [87.63505963517512]
  タブラル異常検出(TAD)は多くの実世界の応用において重要である。 複数のソースデータセットに対して1回のトレーニングのみを必要とするフレームワークであるOFA-TADを提案する。 14ドメインの34のデータセットに対する実験により、OFA-TADはより優れた異常検出性能が得られることが示された。
  論文  参考訳（メタデータ） (2026-03-15T14:42:05Z)
• 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)
• Analytic Continual Test-Time Adaptation for Multi-Modality Corruption [31.698362898530124]
  テスト時間適応(TTA)は、未ラベルのテストデータを使用して、トレーニング済みのモデルがソースとターゲットデータセット間のギャップを埋めることを可能にする。 テスト時間適応(TTA)は、未ラベルのテストデータを使用して、トレーニング済みのモデルがソースとターゲットデータセット間のギャップを埋めることを可能にする。
  論文  参考訳（メタデータ） (2024-10-29T01:21:24Z)
• GM-DF: Generalized Multi-Scenario Deepfake Detection [49.072106087564144]
  既存の偽造検出は、通常、単一のドメインでのトレーニングモデルのパラダイムに従う。 本稿では,複数の顔偽造検出データセットを共同で訓練した場合のディープフェイク検出モデルの一般化能力について詳しく検討する。
  論文  参考訳（メタデータ） (2024-06-28T17:42:08Z)
• DACAD: Domain Adaptation Contrastive Learning for Anomaly Detection in Multivariate Time Series [83.76994646443498]
  時系列異常検出では、ラベル付きデータの不足が正確なモデルの開発に困難をもたらす。 時系列における異常検出のための新しいドメインコントラスト学習モデル(DACAD)を提案する。 本モデルでは,ソース領域に対する教師付きコントラスト損失と,ターゲット領域に対する自己監督型コントラスト型3重項損失を用いる。
  論文  参考訳（メタデータ） (2024-04-17T11:20:14Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)

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。