論文の概要: CALAD: Channel-Aware contrastive Learning for multivariate time series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2605.23139v1
• Date: Fri, 22 May 2026 01:38:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.151962
• Title: CALAD: Channel-Aware contrastive Learning for multivariate time series Anomaly Detection
• Title（参考訳）: CALAD:多変量時系列異常検出のためのチャンネルアウェアコントラスト学習
• Authors: Jaehyeop Hong, Youngbum Hur,
• Abstract要約: 時系列異常検出のためのチャンネル対応コントラスト学習フレームワークであるCALADを提案する。 変圧器を用いたオートエンコーダの再構成誤差からチャネル関係を推定する。 複数の実世界のデータセットの実験は、CALADが既存のメソッドを一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 0.14323566945483493
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multivariate time series anomaly detection has become increasingly important in real-world applications, where labeled data are often scarce. Many existing approaches rely on unsupervised learning to model normal patterns, but they often treat all channels equally. This design can dilute anomaly-relevant signals, since not all channels contribute equally to anomaly detection. In this paper, we propose CALAD, a channel-aware contrastive learning framework for multivariate time series anomaly detection. CALAD governs the construction of contrastive samples using estimated channel relevance, allowing the learning process to reflect anomaly semantics rather than generic similarity. Channel relevance is estimated from reconstruction errors of a transformer-based autoencoder and is used to distinguish channels that are more influential to anomalous behaviors. Using this information, we design a channel-wise augmentation strategy in which positive and negative samples are constructed based on whether anomaly-relevant channels are preserved or perturbed. This encourages invariance to changes in irrelevant channels while being sensitive to changes in anomaly-relevant channels. Furthermore, CALAD combines contrastive learning and an auxiliary reconstruction head, allowing the model to learn discriminative representations while retaining normal structures. Experiments on multiple real-world datasets shows that CALAD consistently outperforms existing methods, particularly under distribution shift scenarios. We provide the code for reproducibility at https://github.com/hirundo1218/CALAD
• Abstract（参考訳）: 多変量時系列異常検出は、ラベル付きデータが少ない実世界のアプリケーションではますます重要になっている。 既存の多くのアプローチは教師なし学習に頼って通常のパターンをモデル化するが、全てのチャンネルを等しく扱うことが多い。 この設計は、全てのチャネルが異常検出に等しく寄与するわけではないため、異常関連信号を希釈することができる。 本稿では,多変量時系列異常検出のためのチャンネル対応コントラスト学習フレームワークであるCALADを提案する。 CALADは、推定チャネル関連性を利用してコントラスト的なサンプルの構築を管理し、学習プロセスは一般的な類似性ではなく、異常なセマンティクスを反映することができる。 チャネル関連性は、トランスフォーマーベースのオートエンコーダの再構成エラーから推定され、異常な振る舞いに影響を及ぼすチャネルを識別するために使用される。 この情報を用いて、異常関連チャネルが保存されているか、摂動されているかに基づいて、正および負のサンプルが構築されるチャネルワイド増強戦略を設計する。 これは、無関係なチャネルの変化に敏感でありながら、無関係なチャネルの変化に不変である。 さらに、CALADはコントラスト学習と補助再構成ヘッドを組み合わせることで、モデルが通常の構造を維持しながら識別表現を学習できるようにする。 複数の実世界のデータセットに対する実験によると、CALADは既存のメソッド、特に分散シフトシナリオにおいて、一貫して優れています。 私たちはhttps://github.com/hirundo1218/CALADで再現性のためのコードを提供します。

関連論文リスト

• LEFT: Learnable Fusion of Tri-view Tokens for Unsupervised Time Series Anomaly Detection [53.191369031661885]
  教師なし時系列異常検出は、アノテーションの可用性を前提とせず、異常なタイムスタンプを識別するモデルを構築することを目的としている。 本稿では,非教師付きTSADフレームワークであるLearnable Fusion of Tri-view Tokens(LEFT)について述べる。 実世界のベンチマーク実験では、LEFTはSOTAベースラインに対して最高の検出精度を示し、FLOPの5倍、トレーニングの8倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-09T13:33:49Z)
• CP Loss: Channel-wise Perceptual Loss for Time Series Forecasting [67.3477355449697]
  時系列データに対するチャネルワイド知覚損失(CP損失)を提案する。 我々は,その特性に適応した各チャネルに対して,独自の知覚空間を学習する。 これらの知覚空間内で損失を計算し、モデルを最適化する。
  論文  参考訳（メタデータ） (2026-01-25T15:31:37Z)
• CATCH: Channel-Aware multivariate Time Series Anomaly Detection via Frequency Patching [24.927390742543707]
  周波数パッチに基づくフレームワークであるCATCHを紹介する。 本稿では,パッチワイドマスクジェネレータとマスクアテンション機構を備えたChannel Fusion Module (CFM)を提案する。 10の現実世界のデータセットと12の合成データセットの実験は、CATCHが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-10-16T05:58:55Z)
• 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)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• 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。