論文の概要: Fun-TSG: A Function-Driven Multivariate Time Series Generator with Variable-Level Anomaly Labeling

• arxiv url: http://arxiv.org/abs/2604.14221v1
• Date: Tue, 14 Apr 2026 08:38:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:29.921107
• Title: Fun-TSG: A Function-Driven Multivariate Time Series Generator with Variable-Level Anomaly Labeling
• Title（参考訳）: Fun-TSG: 可変レベル異常ラベル付き関数駆動多変量時系列生成装置
• Authors: Pierre Lotte, André Péninou, Olivier Teste,
• Abstract要約: Fun-TSGは、異常検出システムの高品質な評価をサポートするために設計された、カスタマイズ可能な時系列生成装置である。 Fun-TSGは多様な解釈可能な再現可能なベンチマークシナリオの作成をサポートする。
• 参考スコア（独自算出の注目度）: 0.2523415604068923
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable evaluation of anomaly detection methods in multivariate time series remains an open challenge, largely due to the limitations of existing benchmark datasets. Current resources often lack fine-grained anomaly annotations, do not provide explicit intervariable and temporal dependencies, and offer little insight into the underlying generative mechanisms. These shortcomings hinder the development and rigorous comparison of detection models, especially those targeting interpretable and variable-specific outputs. To address this gap, we introduce Fun-TSG, a fully customizable time series generator designed to support high-quality evaluation of anomaly detection systems. Our tool enables both fully automated generation, based on randomly sampled dependency structures and anomaly types, and manual generation through user-defined equations and anomaly configurations. In both cases, it provides full transparency over the data generation process, including access to ground-truth anomaly labels at the variable and timestamp levels. Fun-TSG supports the creation of diverse, interpretable, and reproducible benchmarking scenarios, enabling fine-grained performance analysis for both classical and modern anomaly detection models.
• Abstract（参考訳）: 多変量時系列における異常検出手法の信頼性評価は、既存のベンチマークデータセットの制限のため、未解決の課題である。 現在のリソースは、しばしば微粒な異常アノテーションが欠如しており、明示的な相互変数と時間的依存関係を提供しておらず、基礎となる生成メカニズムについてはほとんど洞察を提供していない。 これらの欠点は、特に解釈可能な出力と変数固有の出力を対象とする検出モデルの開発と厳密な比較を妨げる。 このギャップに対処するため、我々はFun-TSGを紹介した。Fun-TSGは、異常検出システムの高品質な評価を支援するために設計された、完全にカスタマイズ可能な時系列生成装置である。 本ツールは,ランダムにサンプリングされた依存関係構造と異常型に基づく完全自動生成と,ユーザ定義の方程式と異常構成による手動生成を両立させる。 いずれの場合も、変動レベルとタイムスタンプレベルにおいて、地味な異常ラベルへのアクセスを含む、データ生成プロセスに対する完全な透明性を提供する。 Fun-TSGは、多様な、解釈可能な、再現可能なベンチマークシナリオの作成をサポートし、古典的および近代的な異常検出モデルの両方で、きめ細かいパフォーマンス解析を可能にする。

関連論文リスト

• FusAD: Time-Frequency Fusion with Adaptive Denoising for General Time Series Analysis [92.23551599659186]
  時系列分析は、金融、医療、産業、気象学などの分野において重要な役割を果たす。 FusADは多様な時系列タスク用に設計された統合分析フレームワークである。
  論文  参考訳（メタデータ） (2025-12-16T04:34:27Z)
• Structured Temporal Causality for Interpretable Multivariate Time Series Anomaly Detection [1.6111818380407035]
  OracleADは時系列異常検出のための教師なしフレームワークである。 予測誤差と安定遅延構造からの偏差に基づく二重スコアリング機構を用いて異常を同定する。 OracleADは、複数の実世界のデータセットと評価プロトコルにまたがって最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-10-18T13:53:41Z)
• Time-RA: Towards Time Series Reasoning for Anomaly with LLM Feedback [55.284574165467525]
  Time-RA(Time-Series Reasoning for Anomaly)は、時系列異常検出を生成的、推論集約的なタスクに変換する。 また,実世界のマルチモーダルベンチマークデータセットであるRATs40Kを導入する。
  論文  参考訳（メタデータ） (2025-07-20T18:02:50Z)
• GenIAS: Generator for Instantiating Anomalies in time Series [54.959865643340535]
  可変オートエンコーダを用いた時系列異常検出(TSAD)のための生成モデルを開発した。 GenIASはTSADタスクのための多種多様な現実的な合成異常を生成するように設計されている。 実験の結果,GenIASは従来型および深部異常検出モデル17より一貫して優れていた。
  論文  参考訳（メタデータ） (2025-02-12T10:10:04Z)
• Deep Multi-Manifold Transformation Based Multivariate Time Series Fault Detection [22.005142941322912]
  本稿では, 近傍型データ拡張戦略と多次元表現学習フレームワークを組み合わせた新しい手法を提案する。 提案手法は精度とロバスト性の両方において優れた性能を示し, 一般化と実世界の展開の可能性を示す。
  論文  参考訳（メタデータ） (2024-05-25T14:48:04Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• AnomalyBERT: Self-Supervised Transformer for Time Series Anomaly Detection using Data Degradation Scheme [0.7216399430290167]
  時系列、特にラベルなしデータに対する異常検出タスクは、難しい問題である。 自己教師型モデルトレーニングに適切なデータ劣化スキームを適用することで、この問題に対処する。 自己認識機構に触発されて、時間的文脈を認識するトランスフォーマーベースのアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2023-05-08T05:42:24Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。