論文の概要: VACE: Learning Geometrically Structured Representations for Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2605.23504v1
• Date: Fri, 22 May 2026 11:07:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.325126
• Title: VACE: Learning Geometrically Structured Representations for Time Series Anomaly Detection
• Title（参考訳）: VACE:時系列異常検出のための幾何学的構造表現の学習
• Authors: Alberto D. Cencillo, Leonardo Concepción, Isaac Triguero, Julián Luengo,
• Abstract要約: VACEは自己監督型異常検出法である。 これは埋め込み空間におけるコンパクトで方向整合性のある領域を表す。 より大規模な予算で訓練された、より複雑な手法よりもはるかに優れています。
• 参考スコア（独自算出の注目度）: 0.788278500923222
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Anomaly detection in multivariate time series is a critical task across a wide range of real-world applications, where abnormal behaviour is rare, labels are unavailable, and the cost of a miss is high. The central challenge is learning a characterisation of normality precise enough to flag deviations. Representation self-supervised learning, typically through contrastive approaches, addresses this by embedding temporal patches into a latent space where normality occupies a well-defined region, with anomalies detected by geometric deviation. However, contrastive approaches shape this space indirectly through pair-sampling heuristics, providing no explicit control over the geometric structure that distance-based scoring requires. This means how tightly normal representations are grouped, and whether distances are directionally meaningful. We present VACE (Velocity-Aligned Channel Embeddings), a self-supervised anomaly detection method that represents normality as a compact, directionally coherent region in the embedding space. To this end, VACE trains a channel-aware encoder through a velocity-consistency objective, with no negatives and no synthetic anomalies, so that normal trajectories are locally smooth and aligned. At test time, a Mahalanobis positional score and a velocity-bank directional score are combined multiplicatively, flagging points that are simultaneously off-distribution and dynamically atypical. Despite its simplicity, VACE achieves state-of-the-art performance on TSB-AD-M under rigorous evaluation, significantly outperforming more complex methods trained on substantially larger budgets.
• Abstract（参考訳）: 多変量時系列における異常検出は、異常な振る舞いが稀であり、ラベルが利用できない、ミスのコストが高い、幅広い実世界のアプリケーションにおいて重要なタスクである。 中心的な課題は、偏差にフラグを付けるのに十分な正規性のキャラクタリゼーションを学ぶことだ。 表現の自己教師付き学習(典型的には対照的なアプローチを通じて)は、時空間のパッチを正規性が明確に定義された領域に埋め込むことによってこの問題に対処し、幾何学的偏差によって異常が検出される。 しかし、対照的なアプローチはペアサンプリングヒューリスティックを通して間接的にこの空間を形成し、距離ベースのスコアリングが要求する幾何学的構造を明示的に制御するものではない。 これは、いかに厳密な正規表現がグループ化され、距離が方向的に意味を持つかを意味する。 本稿では,VACE(Velocity-Aligned Channel Embeddings)について述べる。 この目的のために、VACEは、チャネル認識エンコーダを、負の値も合成異常もない速度一貫性の目的を通じて訓練し、通常の軌道は局所的に滑らかで整列している。 テスト時には、マハラノビス位置スコアとベロシティバンク方向スコアとが乗算的に組み合わせられ、同時に分布外かつ動的に非定型な点がフラグ付けされる。 その単純さにもかかわらず、VACEはTSB-AD-Mの最先端性能を厳格な評価の下で達成し、より大規模な予算で訓練されたより複雑な手法よりもはるかに優れている。

関連論文リスト

• Stochastic Voronoi Ensembles for Anomaly Detection [6.508284558109273]
  SVEAD(Stochastic Voronoi Ensembles Anomaly Detector)を提案する。 45のデータセットの実験では、SVEADが12の最先端アプローチより優れていることが示されている。
  論文  参考訳（メタデータ） (2026-01-07T07:37:38Z)
• CEDL: Centre-Enhanced Discriminative Learning for Anomaly Detection [34.133298397463754]
  Centre-Enhanced Discriminative Learning (CEDL)は、教師付き異常検出フレームワークである。 幾何学的正規性を識別目的に直接埋め込む。 CEDLは、様々な現実世界の異常検出タスク間で、競争力とバランスの取れた性能を達成する。
  論文  参考訳（メタデータ） (2025-11-15T23:44:18Z)
• Isolation-based Spherical Ensemble Representations for Anomaly Detection [60.989157958972356]
  不正検出、ネットワークセキュリティ、ログ監視を対象とするアプリケーションによるデータマイニングと管理において、異常検出は重要なタスクである。 既存の教師なし異常検出手法は、分散仮定の矛盾、計算の非効率性、異なる異常型を扱う難しさなど、基本的な課題に直面している。 Isolation-based Spherical Ensemble Representations (ISER) は, 局所密度特性のプロキシとしてハイパースフィアラジイを用いて, 線形時間と定数空間の複雑さを保ちながら, 既存の分離法を拡張したものである。
  論文  参考訳（メタデータ） (2025-10-15T09:00:05Z)
• 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)
• Physics-Guided Abnormal Trajectory Gap Detection [2.813613899641924]
  本研究では,時空間のインデックス化と軌道ギャップのマージを両立させるための時空間ギャップ検出(STAGD)手法を提案する。 また、ダイナミックリージョンベースのマージ(DRM)アプローチを導入し、ギャップ異常スコアを効率的に計算する。
  論文  参考訳（メタデータ） (2024-03-10T17:07:28Z)
• Unsupervised Distance Metric Learning for Anomaly Detection Over Multivariate Time Series [0.0]
  時系列上の異常検出のための教師なし距離メトリック学習法であるFCM-wDTWを提案する。 FCM-wDTWは生データを潜在空間にエンコードし、クラスタセンターを通して通常の次元関係を明らかにする。 11種類のベンチマークによる実験は、我々の手法の競合精度と効率を実証している。
  論文  参考訳（メタデータ） (2024-03-04T09:55:16Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Learning Signed Hyper Surfaces for Oriented Point Cloud Normal Estimation [53.19926259132379]
  我々は,符号付きハイパー曲面の学習による点雲の向きの正規分布推定のためのSHS-Netと呼ばれる新しい手法を提案する。 符号付き超曲面は、局所的および大域的な情報を集約する高次元特徴空間において暗黙的に学習される。 注意重み付き正規予測モジュールをデコーダとして提案し,局所およびグローバル潜時符号を入力として向きの正規を推定する。
  論文  参考訳（メタデータ） (2023-05-10T03:40:25Z)
• Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy [68.86835407617778]
  Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。 Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-10-06T10:33:55Z)

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。