論文の概要: ASTER: Latent Pseudo-Anomaly Generation for Unsupervised Time-Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2604.13924v1
• Date: Wed, 15 Apr 2026 14:32:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.582393
• Title: ASTER: Latent Pseudo-Anomaly Generation for Unsupervised Time-Series Anomaly Detection
• Title（参考訳）: ASTER: 教師なし時間系列異常検出のための潜時擬似異常生成
• Authors: Romain Hermary, Samet Hicsonmez, Dan Pineau, Abd El Rahman Shabayek, Djamila Aouada,
• Abstract要約: 時系列異常検出は、産業監視、医療、サイバーセキュリティといった分野において重要である。 本稿では,擬似アノマリーを潜在空間で直接生成するフレームワークであるASTERを提案する。 潜時空間デコーダは、Transformerベースの異常をトレーニングするために、カスタマイズされた擬似アノマリーを生成する。 事前訓練されたLLMは、この空間の時間的および文脈的表現を豊かにする。
• 参考スコア（独自算出の注目度）: 13.213712558290823
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time-series anomaly detection (TSAD) is critical in domains such as industrial monitoring, healthcare, and cybersecurity, but it remains challenging due to rare and heterogeneous anomalies and the scarcity of labelled data. This scarcity makes unsupervised approaches predominant, yet existing methods often rely on reconstruction or forecasting, which struggle with complex data, or on embedding-based approaches that require domain-specific anomaly synthesis and fixed distance metrics. We propose ASTER, a framework that generates pseudo-anomalies directly in the latent space, avoiding handcrafted anomaly injections and the need for domain expertise. A latent-space decoder produces tailored pseudo-anomalies to train a Transformer-based anomaly classifier, while a pre-trained LLM enriches the temporal and contextual representations of this space. Experiments on three benchmark datasets show that ASTER achieves state-of-the-art performance and sets a new standard for LLM-based TSAD.
• Abstract（参考訳）: 時系列異常検出(TSAD)は、産業監視、医療、サイバーセキュリティなどの分野において重要であるが、稀で異質な異常とラベル付きデータの不足により、依然として困難である。 この不足により、教師なしのアプローチが主流となるが、既存の手法は、複雑なデータに苦しむ再構築や予測、ドメイン固有の異常合成と固定距離メトリクスを必要とする埋め込みベースのアプローチにしばしば依存する。 ASTERは潜伏空間で直接擬似アノマリーを生成するフレームワークであり、手作りの異常注入を回避し、ドメインの専門知識を必要としない。 潜時空間デコーダは、トランスフォーマーベースの異常分類器を訓練するために調整された擬似アノマリーを生成し、事前訓練されたLCMは、この空間の時間的および文脈的表現を豊かにする。 3つのベンチマークデータセットの実験は、ASTERが最先端のパフォーマンスを達成し、LSMベースのTSADの新しい標準を設定することを示している。

関連論文リスト

• GroundingAnomaly: Spatially-Grounded Diffusion for Few-Shot Anomaly Synthesis [16.74245445257004]
  我々は,新しい数発の異常画像生成フレームワークであるGroundingAnomalyを提案する。 本フレームワークでは,画素ごとのセマンティックマップを活用する空間条件モジュールを導入している。 Gated Self-Attention Moduleは、凍結したU-Netに条件付きトークンを注入するように設計されている。
  論文  参考訳（メタデータ） (2026-04-09T14:34:50Z)
• ARES: Anomaly Recognition Model For Edge Streams [15.767494189633133]
  本稿では,エッジストリームの教師なし異常検出フレームワークであるARESを紹介する。 ARESは、特徴抽出のためのグラフニューラルネットワーク(GNN)と、異常スコアのためのハーフスペースツリー(HST)を組み合わせる。 GNNは、ノードとエッジプロパティを潜在空間に埋め込むことで、ストリーム内のスパイクとバースト異常の両方の挙動をキャプチャし、一方HSTは、この空間を分割して、異常を効率的に分離する。
  論文  参考訳（メタデータ） (2025-11-27T03:56:35Z)
• Labels Matter More Than Models: Quantifying the Benefit of Supervised Time Series Anomaly Detection [56.302586730134806]
  時系列異常検出(TSAD)は、しばしばラベル不足によって制約される重要なデータマイニングタスクである。 現在の研究は、主に教師なし時系列異常検出に焦点を当てている。 本稿では,アーキテクチャの複雑さがTSADの最適経路である,という前提に挑戦する。
  論文  参考訳（メタデータ） (2025-11-20T08:32:49Z)
• Generate Aligned Anomaly: Region-Guided Few-Shot Anomaly Image-Mask Pair Synthesis for Industrial Inspection [53.137651284042434]
  異常検査は製造業において重要な役割を担っているが、異常サンプルの不足は既存の方法の有効性を制限している。 本稿では,GAA (Generate grained Anomaly) を提案する。 GAAは少数のサンプルのみを用いて現実的で多様で意味的に整合した異常を発生させる。
  論文  参考訳（メタデータ） (2025-07-13T12:56:59Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Weakly Augmented Variational Autoencoder in Time Series Anomaly Detection [32.98391970820966]
  本稿では,深層ヴァリアンコーダ(VAE)と自己教師付き学習(SSL)を組み合わせた新たな生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-07T00:23:05Z)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Harnessing Contrastive Learning and Neural Transformation for Time Series Anomaly Detection [0.0]
  時系列異常検出(TSAD)は多くの産業応用において重要な役割を担っている。 コントラスト学習は、ラベルのないデータから意味のある表現を抽出する過程において、時系列領域で勢いを増している。 本研究では,学習可能な変換で強化されたウィンドウベースのコントラスト学習戦略を取り入れた新しいアプローチであるCNTを提案する。
  論文  参考訳（メタデータ） (2023-04-16T21:36:19Z)

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。