論文の概要: Causally-Constrained Probabilistic Forecasting for Time-Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2604.17998v1
• Date: Mon, 20 Apr 2026 09:24:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.785885
• Title: Causally-Constrained Probabilistic Forecasting for Time-Series Anomaly Detection
• Title（参考訳）: 時系列異常検出のための因果制約付き確率予測
• Authors: Pooyan Khosravinia, João Gama, Bruno Veloso,
• Abstract要約: 本研究では,異常検出のための因果制約付き確率予測フレームワークを提案する。 ディープ・シークエンス・モデリングに先立って、明示的な時間付き因果グラフを統合する。 実験により,提案手法が最先端検出性能を実現することを示す。
• 参考スコア（独自算出の注目度）: 1.8995711908407733
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection in multivariate time series is a central challenge in industrial monitoring, as failures frequently arise from complex temporal dynamics and cross-sensor interactions. While recent deep learning models, including graph neural networks and Transformers, have demonstrated strong empirical performance, most approaches remain primarily correlational and offer limited support for causal interpretation and root-cause localization. This study introduces a causally-constrained probabilistic forecasting framework which is a Causally Guided Transformer (CGT) model for multivariate time-series anomaly detection, integrating an explicit time-lagged causal graph prior with deep sequence modeling. For each target variable, a dedicated forecasting block employs a hard parent mask derived from causal discovery to restrict the main prediction pathway to graph-supported causes, while a latent Gaussian head captures predictive uncertainty. To leverage residual correlational information without compromising the causal representation, a shadow auxiliary path with stop-gradient isolation and a safety-gated blending mechanism is incorporated to suppress non-causal contributions when reliability is low. Anomalies are identified using negative log-likelihood scores with adaptive streaming thresholding, and root-cause variables are determined through per-dimension probabilistic attribution and counterfactual clamping. Experiments on the ASD and SMD benchmarks indicate that the proposed method achieves state-of-the-art detection performance, with F1-scores of 96.19% on ASD and 95.32% on SMD, and enhances variable-level attribution quality. These findings suggest that causal structural priors can improve both robustness and interpretability in detecting deep anomalies in multivariate sensor systems.
• Abstract（参考訳）: 多変量時系列における異常検出は、複雑な時間的ダイナミクスとクロスセンサー相互作用からしばしば障害が発生するため、産業監視における中心的な課題である。 グラフニューラルネットワークやトランスフォーマーを含む最近のディープラーニングモデルは、強い経験的性能を示しているが、ほとんどのアプローチは、主に相関性を持ち、因果解釈と根本原因のローカライゼーションを限定的にサポートしている。 本研究では,多変量時系列異常検出のための因果的誘導変換(CGT)モデルである因果的制約付き確率予測フレームワークを提案する。 各ターゲット変数に対して、専用予測ブロックは因果発見から導出されたハード親マスクを用いて、主要な予測経路をグラフ支援された原因に制限する一方、潜伏したガウスヘッドは予測の不確実性をキャプチャする。 因果表現、停止段階分離のシャドウ補助経路、及び安全ゲート混合機構を具備し、信頼性が低い場合に非因果寄与を抑制する。 適応的なストリーミングしきい値を持つ負の対数様スコアを用いて異常を同定し、根因変数は、次元ごとの確率的属性と反事実的クランプによって決定する。 ASD と SMD のベンチマーク実験では,F1 スコアは ASD が96.19%,SMD が95.32%,可変レベルの属性品質が向上した。 これらの結果から,多変量センサシステムにおける深部異常の検出において,因果構造が頑健性と解釈性の両方を改善することが示唆された。

関連論文リスト

• Temporal-Conditioned Normalizing Flows for Multivariate Time Series Anomaly Detection [0.6399763005153404]
  時間条件付きフロー(tcNF)は時系列データの異常検出に対処する新しいフレームワークである。 tcNFは複雑な時間的ダイナミクスを効果的に捉え、期待される振る舞いの正確な確率を生成する。 我々は,様々なデータセット上でtcNFを評価し,既存の手法と比較して精度と堅牢性を実証した。
  論文  参考訳（メタデータ） (2026-03-10T10:49:48Z)
• Real-Time Proactive Anomaly Detection via Forward and Backward Forecast Modeling [0.0]
  本稿では,前向き予測モデル (FFM) と後向き再構成モデル (BRM) の2つの前向きな異常検出フレームワークを紹介する。 FFMは破壊を予想する将来のシーケンスを予測し、BRMは将来の状況から最近の歴史を再構築し、初期の前駆体を明らかにする。 我々のモデルは連続的および離散的多変量特徴の両方をサポートし、実環境における堅牢な性能を実現する。
  論文  参考訳（メタデータ） (2026-02-12T03:57:41Z)
• EVEREST: An Evidential, Tail-Aware Transformer for Rare-Event Time-Series Forecasting [4.551615447454767]
  EVERESTは確率的レアイベント予測のためのトランスフォーマーベースのアーキテクチャである。 キャリブレーションされた予測とテールアウェアのリスク推定を提供する。 産業監視、天気予報、衛星診断などの高度な分野に適用できる。
  論文  参考訳（メタデータ） (2026-01-26T23:15:20Z)
• Unsupervised Anomaly Prediction with N-BEATS and Graph Neural Network in Multi-variate Semiconductor Process Time Series [1.0874100424278175]
  半導体製造における異常予測には いくつか重要な課題があります 変数間の複雑な相互依存性は、異常予測と根本原因分析の両方を複雑にする。 本稿では,異常検出から異常予測まで,新たな2つのアプローチを提案する。
  論文  参考訳（メタデータ） (2025-10-23T16:33:52Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• 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)
• Sequential Attention Source Identification Based on Feature Representation [88.05527934953311]
  本稿では,テンポラルシーケンスに基づくグラフ注意源同定(TGASI)と呼ばれるシーケンス・ツー・シーケンス・ベースのローカライズ・フレームワークを提案する。 なお、このインダクティブラーニングのアイデアは、TGASIが他の事前の知識を知らずに新しいシナリオのソースを検出できることを保証する。
  論文  参考訳（メタデータ） (2023-06-28T03:00:28Z)
• 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)

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。