論文の概要: Multivariate Time Series Anomaly Detection via Dual-Branch Reconstruction and Autoregressive Flow-based Residual Density Estimation

• arxiv url: http://arxiv.org/abs/2604.08582v1
• Date: Sun, 29 Mar 2026 15:18:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-19 19:09:11.45933
• Title: Multivariate Time Series Anomaly Detection via Dual-Branch Reconstruction and Autoregressive Flow-based Residual Density Estimation
• Title（参考訳）: デュアルブランチ再構成と自己回帰流を用いた残留密度推定による多変量時系列異常検出
• Authors: Jun Liu, Ying Chen, Ziqian Lu, Qinyue Tong, Jun Tang,
• Abstract要約: 本稿では,DBRエンコーダと自動回帰フロー(AF)モジュールを統合した新しいフレームワークであるDBR-AFを提案する。 DBRエンコーダは、急激な相関を緩和するために、クロス変数相関学習とイントラ変数統計特性モデリングを分離する。 7つのベンチマークデータセットの実験は、DBR-AFが最先端のパフォーマンスを達成することを示した。
• 参考スコア（独自算出の注目度）: 11.664519282299485
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multivariate Time Series Anomaly Detection (MTSAD) is critical for real-world monitoring scenarios such as industrial control and aerospace systems. Mainstream reconstruction-based anomaly detection methods suffer from two key limitations: first, overfitting to spurious correlations induced by an overemphasis on cross-variable modeling; second, the generation of misleading anomaly scores by simply summing up multivariable reconstruction errors, which makes it difficult to distinguish between hard-to-reconstruct samples and genuine anomalies. To address these issues, we propose DBR-AF, a novel framework that integrates a dual-branch reconstruction (DBR) encoder and an autoregressive flow (AF) module. The DBR encoder decouples cross-variable correlation learning and intra-variable statistical property modeling to mitigate spurious correlations, while the AF module employs multiple stacked reversible transformations to model the complex multivariate residual distribution and further leverages density estimation to accurately identify normal samples with large reconstruction errors. Extensive experiments on seven benchmark datasets demonstrate that DBR-AF achieves state-of-the-art performance, with ablation studies validating the indispensability of its core components.
• Abstract（参考訳）: 多変量時系列異常検出(MTSAD)は,産業制御や航空宇宙システムといった実世界の監視シナリオにおいて重要である。 主ストリーム再構成に基づく異常検出法は,2つの重要な限界に悩まされている。第1に,多変量再構成誤差を簡易に要約することで,多変量モデリングにおける過度な相関による過度な相関に対する過度な適合,第2に,誤誘導異常スコアの生成,すなわち,再構成困難なサンプルと真の異常を区別することが困難である。 そこで本稿では,DBRエンコーダと自動回帰フロー(AF)モジュールを統合した新しいフレームワークであるDBR-AFを提案する。 DBRエンコーダは、クロス変数相関学習とイントラ変数統計特性モデリングを分離し、スプリアス相関を緩和する一方、AFモジュールは複雑な多変量残差分布をモデル化するために複数の積み重ね可逆変換を用い、さらに密度推定を活用して、大きな復元誤差を持つ正規サンプルを正確に同定する。 7つのベンチマークデータセットに対する大規模な実験は、DBR-AFが最先端のパフォーマンスを達成することを示した。

関連論文リスト

• DiffRegCD: Integrated Registration and Change Detection with Diffusion Features [74.3102451211493]
  DiffRegCDは、単一のモデルで密度の高い登録と変更検出を統一する統合フレームワークである。 空中(LEVIR-CD, DSIFN-CD, WHU-CD, SYSU-CD)と地上(VL-CMU-CD)のデータセットによる実験は、DiffRegCDが最近のベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-11-11T07:32:19Z)
• ShortcutBreaker: Low-Rank Noisy Bottleneck with Global Perturbation Attention for Multi-Class Unsupervised Anomaly Detection [59.89803740308262]
  ShortcutBreakerはMUADタスクのための新しい統合された機能再構成フレームワークである。 ショートカットの問題に対処する2つの重要なイノベーションが特徴だ。 提案手法は,4つのデータセットに対して,99.8%,98.9%,90.6%,87.8%の顕著な画像レベルのAUROCを実現する。
  論文  参考訳（メタデータ） (2025-10-21T06:51:30Z)
• 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)
• Spatial Reasoning with Denoising Models [49.83744014336816]
  本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。 初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。 これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
  論文  参考訳（メタデータ） (2025-02-28T14:08:30Z)
• RESTAD: REconstruction and Similarity based Transformer for time series Anomaly Detection [3.0377067713090633]
  時系列データの異常検出は、様々な領域で重要である。 アーキテクチャに放射基底関数(RBF)の層を組み込むことにより、トランスフォーマーモデルの適応であるRESTADを導入する。
  論文  参考訳（メタデータ） (2024-05-13T07:10:35Z)
• HCL-MTSAD: Hierarchical Contrastive Consistency Learning for Accurate Detection of Industrial Multivariate Time Series Anomalies [4.806959791183183]
  本稿では,産業用MSSにおける異常検出のための自己教師付き階層的コントラスト整合学習手法を提案する。 HCL-MTSADはマルチレイヤのコントラスト損失を発生させることで、データの一貫性とタイムスタンプと時間的関連を広範囲にマイニングすることができる。 HCL-MTSADの異常検出能力は、F1スコアの平均1.8%で最先端のベンチマークモデルを上回っている。
  論文  参考訳（メタデータ） (2024-04-12T03:39:33Z)
• Beyond the Benchmark: Detecting Diverse Anomalies in Videos [0.6993026261767287]
  ビデオ異常検出(VAD)は、現代の監視システムにおいて重要な役割を担い、現実の状況における様々な異常を識別することを目的としている。 現在のベンチマークデータセットは、新しいオブジェクト検出のような単純な単一フレームの異常を主に強調している。 我々は,従来のベンチマーク境界を超える複雑な異常を包含するVAD調査の拡大を提唱する。
  論文  参考訳（メタデータ） (2023-10-03T09:22:06Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)

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。