論文の概要: POST: Prior-Observation Adversarial Learning of Spatio-Temporal Associations for Multivariate Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2605.18128v1
• Date: Mon, 18 May 2026 09:34:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:49.227877
• Title: POST: Prior-Observation Adversarial Learning of Spatio-Temporal Associations for Multivariate Time Series Anomaly Detection
• Title（参考訳）: POST:多変量時系列異常検出のための時空間アソシエーションの事前観測逆学習
• Authors: Suofei Zhang, Yaxuan Zheng, Haifeng Hu,
• Abstract要約: 本稿では,先行観測学習パラダイムを統一する新しいフレームワークを提案する。 空間次元において、モデルはトレーニング中に、事前観測とデータ駆動観測の相違を最小限の方法で再構成する。 このような逆最適化は、時間的検出に対するモデルの感度を向上するだけでなく、特定のチャネルに異常をローカライズすることを可能にする。
• 参考スコア（独自算出の注目度）: 10.26613829763125
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing Multivariate Time Series Anomaly Detection (MTSAD) frameworks increasingly rely on integrating Graph Neural Networks (GNNs) with sequence models to capture complex spatio-temporal dependencies. However, less attention is paid to the spatial over-generalization problem, where unconstrained structural modeling indiscriminately reconstructs anomalies, inevitably degrading detection recall. To tackle this problem, we propose a novel framework that unifies spatio-temporal modeling through a joint prior-observation adversarial learning paradigm. In the spatial dimension, the model alternately learns adjacency matrices as structural prior and models the association discrepancy between prior and data-driven observation in a minimax manner during training. Such adversarial optimization not only improves the model sensitivity for time-wise detection, but also enables the model to localize anomalies to specific channels. To systematically evaluate this anomaly localization capability, we further construct a synthetic benchmark equipped with precise channel-wise annotations. Extensive experiments across public datasets and our dedicated benchmark demonstrate that the proposed framework establishes a new state-of-the-art in both time-wise detection and spatial localization tasks. Our code, pre-trained models, and benchmark are publicly available at https://github.com/anocodetest1/POST.
• Abstract（参考訳）: 既存の多変量時系列異常検出(MTSAD)フレームワークは、複雑な時空間依存関係をキャプチャするためのシーケンスモデルとグラフニューラルネットワーク(GNN)の統合にますます依存している。 しかし、非拘束構造モデリングが異常を無差別に再構成し、検出リコールを必然的に劣化させるような空間的過一般化問題にはあまり注意が払わない。 この問題に対処するため,我々は,協調した事前観測学習パラダイムを通じて時空間モデリングを統一する新しいフレームワークを提案する。 空間次元において、モデルは構造的事前行列として隣接行列を交互に学習し、トレーニング中のミニマックス方式で事前観測とデータ駆動観測の関連性の違いをモデル化する。 このような逆最適化は、時間的検出に対するモデルの感度を向上するだけでなく、特定のチャネルに異常をローカライズすることを可能にする。 この異常な局所化能力を体系的に評価するために、正確なチャンネルワイドアノテーションを備えた合成ベンチマークを構築した。 提案するフレームワークは,時間的検出と空間的ローカライゼーションの両タスクにおいて,新たな最先端技術を確立していることを示す。 私たちのコード、事前トレーニングされたモデル、ベンチマークはhttps://github.com/anocodetest1/POST.orgで公開されています。

関連論文リスト

• 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)
• 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)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• Time series anomaly detection with reconstruction-based state-space models [10.085100442558828]
  本稿では,時系列データに対する新しい教師なし異常検出手法を提案する。 長い短期記憶(LSTM)ベースのエンコーダデコーダを用いて観測空間と潜時空間のマッピングを行う。 潜在空間の正規化は、通常のサンプルの状態に制約を課し、マハラノビス距離を用いて異常レベルを評価する。
  論文  参考訳（メタデータ） (2023-03-06T17:52:35Z)
• Spatio-temporal predictive tasks for abnormal event detection in videos [60.02503434201552]
  オブジェクトレベルの正規化パターンを学習するための制約付きプレテキストタスクを提案する。 我々のアプローチは、ダウンスケールの視覚的クエリとそれに対応する正常な外観と運動特性のマッピングを学習することである。 いくつかのベンチマークデータセットの実験では、異常の局所化と追跡のためのアプローチの有効性が示されている。
  論文  参考訳（メタデータ） (2022-10-27T19:45:12Z)
• Object-centric and memory-guided normality reconstruction for video anomaly detection [56.64792194894702]
  本稿では,ビデオ監視における異常検出問題に対処する。 異常事象の固有な規則性と不均一性のため、問題は正規性モデリング戦略と見なされる。 我々のモデルは、トレーニング中に異常なサンプルを見ることなく、オブジェクト中心の正規パターンを学習する。
  論文  参考訳（メタデータ） (2022-03-07T19:28:39Z)

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。