論文の概要: IMPACT: Influence Modeling for Open-Set Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2603.29183v1
• Date: Tue, 31 Mar 2026 02:49:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.055847
• Title: IMPACT: Influence Modeling for Open-Set Time Series Anomaly Detection
• Title（参考訳）: IMPACT:オープンセット時系列異常検出における影響モデリング
• Authors: Xiaohui Zhou, Yijie Wang, Hongzuo Xu, Weixuan Liang, Xiaoli Li, Guansong Pang,
• Abstract要約: Open-set Anomaly Detection (OSAD) は、トレーニングで見られる異常なクラスからラベル付きデータを限定的に利用して、テスト中に見られる異常と見えない異常の両方を特定するために設計された、新興パラダイムである。 現在のアプローチは、目に見えない異常を再現する擬似異常を生成するための単純な拡張法に依存している。 この作業では、o$underlinetextbfp$en-set 時系列に対して $textbfi$nfluence $underlinetextbfm$odelingを導入している。
• 参考スコア（独自算出の注目度）: 41.04237014380757
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Open-set anomaly detection (OSAD) is an emerging paradigm designed to utilize limited labeled data from anomaly classes seen in training to identify both seen and unseen anomalies during testing. Current approaches rely on simple augmentation methods to generate pseudo anomalies that replicate unseen anomalies. Despite being promising in image data, these methods are found to be ineffective in time series data due to the failure to preserve its sequential nature, resulting in trivial or unrealistic anomaly patterns. They are further plagued when the training data is contaminated with unlabeled anomalies. This work introduces $\textbf{IMPACT}$, a novel framework that leverages $\underline{\textbf{i}}$nfluence $\underline{\textbf{m}}$odeling for o$\underline{\textbf{p}}$en-set time series $\underline{\textbf{a}}$nomaly dete$\underline{\textbf{ct}}$ion, to tackle these challenges. The key insight is to $\textbf{i)}$ learn an influence function that can accurately estimate the impact of individual training samples on the modeling, and then $\textbf{ii)}$ leverage these influence scores to generate semantically divergent yet realistic unseen anomalies for time series while repurposing high-influential samples as supervised anomalies for anomaly decontamination. Extensive experiments show that IMPACT significantly outperforms existing state-of-the-art methods, showing superior accuracy under varying OSAD settings and contamination rates.
• Abstract（参考訳）: Open-set Anomaly Detection (OSAD) は、トレーニングで見られる異常なクラスからラベル付きデータを限定的に利用して、テスト中に見られる異常と見えない異常の両方を特定するために設計された、新興パラダイムである。 現在のアプローチは、目に見えない異常を再現する擬似異常を生成するための単純な拡張法に依存している。 画像データに有望であるにもかかわらず、これらの手法は時系列データではそのシーケンシャルな性質を保たず、自明または非現実的な異常パターンをもたらすため効果がないことが判明した。 トレーニングデータがラベルのない異常で汚染されると、さらに悩まされる。 これは$\underline{\textbf{i}}$nfluence $\underline{\textbf{m}}$odeling for o$\underline{\textbf{p}}$en-set time series $\underline{\textbf{a}}$nomaly dete$\underline{\textbf{ct}}$ionを活用する新しいフレームワークである。 重要な洞察は、$\textbf{i)}$は、個々のトレーニングサンプルのモデリングへの影響を正確に推定できる影響関数を学習し、$\textbf{ii)}$は、これらの影響スコアを活用して、時系列のセマンティックに発散するが、現実的な未知の異常を発生させながら、異常除去のための教師付き異常として高知能サンプルを再利用する。 広範囲な実験により、IMPACTは既存の最先端手法よりも大幅に優れており、OSAD設定や汚染率の異なる場合の精度が優れていることが示されている。

関連論文リスト

• SimAD: A Simple Dissimilarity-based Approach for Time Series Anomaly Detection [23.684577046512747]
  私たちは、$textbfSim$ple dissimilarity-based approach for time series $textbfA$nomaly $textbfD$etection($textbfSimAD$)を紹介します。 SimADは最初、拡張時間ウィンドウを処理できるパッチベースの機能抽出器を組み込んでおり、通常の動作パターンを完全に統合するためにEmbedPatchエンコーダを使用している。 次に,SimADにおけるContrastFusionモジュールの設計を行い,異常検出のロバスト性を高める。
  論文  参考訳（メタデータ） (2024-05-18T09:37:04Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• RoSAS: Deep Semi-Supervised Anomaly Detection with Contamination-Resilient Continuous Supervision [21.393509817509464]
  本稿では, テクスト汚染耐性連続監視信号を考案した, 半教師付き異常検出手法を提案する。 当社のアプローチは、AUC-PRにおいて最先端の競合他社を20%-30%上回っている。
  論文  参考訳（メタデータ） (2023-07-25T04:04:49Z)
• Augment to Detect Anomalies with Continuous Labelling [10.646747658653785]
  異常検出は、トレーニング観察と何らかの点で異なるサンプルを認識することである。 最近の最先端のディープラーニングに基づく異常検出手法は、計算コスト、複雑さ、不安定な訓練手順、非自明な実装に悩まされている。 我々は、軽量な畳み込みニューラルネットワークを訓練し、異常検出における最先端の性能に到達するための単純な学習手順を活用する。
  論文  参考訳（メタデータ） (2022-07-03T20:11:51Z)
• DeepFIB: Self-Imputation for Time Series Anomaly Detection [5.4921159672644775]
  時系列異常検出(AD)は、金融および医療監視における不正検出など、様々な応用において重要な役割を果たす。 時系列におけるADのための新しい自己教師型学習手法,すなわちemphDeepFIBを提案する。 我々は、DeepFIBが最先端の手法を大きなマージンで上回り、F1スコアの相対的な改善を65.2%まで達成していることを示す。
  論文  参考訳（メタデータ） (2021-12-12T14:28:06Z)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)

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。