論文の概要: Learning Unified Representations of Normalcy for Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2605.09685v1
• Date: Sun, 10 May 2026 18:12:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.371252
• Title: Learning Unified Representations of Normalcy for Time Series Anomaly Detection
• Title（参考訳）: 時系列異常検出のための正規性の統一表現学習
• Authors: Prithul Sarker, Sushmita Sarker, Nicholas G. Murray, Alireza Tavakkoli,
• Abstract要約: 本稿では,新しいフレームワークUnified Unsupervised Anomaly Detection(textU2textAD$)を提案する。 本手法は, スコアベース生成モデルを用いて, 正規サンプルの基盤となるデータ分布を学習する。 実験により,@textU2textAD$は検出精度において現在の最先端メソッドよりも優れるだけでなく,発生のかなり早い段階で異常を識別できることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The core challenge in unsupervised anomaly detection is identifying abnormal patterns without prior knowledge of their characteristics. While existing methods have addressed aspects of this problem, they often struggle to learn a robust representation of the normal data distribution that is distinct from anomalous patterns. In this paper, we present a novel framework, Unified Unsupervised Anomaly Detection ($\text{U}^2\text{AD}$), that comprehensively addresses anomaly detection in multivariate time series. Our approach learns the underlying data distribution of normal samples by utilizing score-based generative modeling. We introduce a novel time-dependent score network and a unified training objective that together delineate the manifold of normal data while considering both local and global temporal contexts. Reconstruction is then performed via a deterministic sampling process using an ordinary differential equation solver. Our extensive experimental evaluations demonstrate that $\text{U}^2\text{AD}$ not only outperforms current state-of-the-art methods in detection accuracy but also identifies anomalies at significantly earlier stages of their occurrence.
• Abstract（参考訳）: 教師なし異常検出における中核的な課題は、その特徴を事前に知ることなく異常パターンを識別することである。 既存の手法はこの問題の側面に対処してきたが、しばしば、異常なパターンとは異なる通常のデータ分布の堅牢な表現を学ぶのに苦労する。 本稿では,多変量時系列における異常検出を包括的に扱う新しいフレームワーク,Unified Unsupervised Anomaly Detection ($\text{U}^2\text{AD}$)を提案する。 本手法は, スコアベース生成モデルを用いて, 正規サンプルの基盤となるデータ分布を学習する。 本稿では,局所的・大域的時間的文脈を考慮した新しい時間依存スコアネットワークと,正規データの多様体を記述した統一的学習目標を提案する。 その後、通常の微分方程式解法を用いて決定論的サンプリングプロセスにより再構成を行う。 実験により, 検出精度において, $\text{U}^2\text{AD}$ は現在の最先端手法より優れるだけでなく, 発生のかなり早い段階で異常を同定することを示した。

関連論文リスト

• Adaptive Deviation Learning for Visual Anomaly Detection with Data Contamination [20.4008901760593]
  そこで本研究では,偏差学習を応用して,異常スコアをエンドツーエンドに計算する手法を提案する。 提案手法は競合する手法を超越し,データ汚染の存在下での安定性とロバスト性を示す。
  論文  参考訳（メタデータ） (2024-11-14T16:10:15Z)
• Two Is Better Than One: Aligned Representation Pairs for Anomaly Detection [56.57122939745213]
  異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。 近年の自己教師型手法は, 異常に関する事前知識を用いて, トレーニング中に合成外れ値を生成することによって, それらの表現をうまく学習している。 この制限は、通常のサンプルにおける対称性に関する事前の知識を活用して、異なるコンテキストでデータを観測する、新しいアプローチであるCon$で対処する。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• 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)
• 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)
• Precursor-of-Anomaly Detection for Irregular Time Series [31.73234935455713]
  本稿では,新しいタイプの異常検出法であるPrecursor-of-Anomaly(PoA)について述べる。 両問題を同時に解くために,ニューラルネットワークとマルチタスク学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-27T14:10:09Z)
• 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)
• 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)
• 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。