論文の概要: Bridging Classification and Reconstruction: Cooperative Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2605.26193v2
• Date: Thu, 28 May 2026 03:44:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:54.652234
• Title: Bridging Classification and Reconstruction: Cooperative Time Series Anomaly Detection
• Title（参考訳）: ブリッジ分類と再構成:協調時系列異常検出
• Authors: Qideng Tang, Dai Chaofan, Wubin Ma, Yahui Wu, Haohao Zhou, Tao Zhang, Huan Li, Dalin Zhang,
• Abstract要約: 時系列異常検出(TSAD)は、データマイニングにおけるホットな研究トピックである。 最近の研究は、TSADにおける一般的なディープラーニング手法の有効性に挑戦している。 本稿では,その相補的強みを活用するために2つのパラダイムを統合する新しいフレームワークであるCoADを提案する。
• 参考スコア（独自算出の注目度）: 10.243033517009184
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series anomaly detection (TSAD) has long been a hot research topic in data mining due to its various applications. Recent studies challenge the effectiveness of popular deep learning methods for TSAD, suggesting their failure in detecting subtle and prolonged anomalies. Outlier Exposure (OE) and Masked Autoencoder (MAE) emerge as two promising paradigms (classification and reconstruction) for solving the above problems. However, OE-based methods are constrained by poor generalization, while MAE-based methods are limited by masking misalignment issues. To address these limitations, this paper proposes a novel framework, CoAD, which unifies the two paradigms to leverage their complementary strengths while mitigating their respective weaknesses. In this framework, the classification module generates probability-informed soft masks for the reconstruction module, which in turn alleviates the generalization problem of the classification module. This cooperative design enables CoAD to effectively detect subtle and complex anomalies that are often overlooked by existing methods. Additionally, the classification module is carefully designed to resolve issues related to improper classification granularity and the neglect of frequency information. Extensive experiments on high-quality benchmark datasets, conducted under rigorous evaluation protocols, demonstrate that CoAD significantly outperforms both state-of-the-art deep learning and traditional data mining methods, highlighting the potential of deep learning in TSAD. Moreover, CoAD is lightweight and substantially faster than existing SOTA methods, demonstrating its practical value for large-scale, real-time applications.
• Abstract（参考訳）: 時系列異常検出(TSAD)は、様々な用途のために、データマイニングにおけるホットな研究トピックである。 最近の研究は、TSADの一般的なディープラーニング手法の有効性に挑戦し、微妙で長期にわたる異常の検出に失敗したことを示唆している。 Outlier Exposure (OE) と Masked Autoencoder (MAE) は、上記の問題を解決するための、2つの有望なパラダイム(分類と再構築)として出現する。 しかし、OEに基づく手法は一般化の貧弱さによって制約される一方、MAEに基づく手法は誤調整問題をマスキングすることによって制限される。 これらの制約に対処するため,本論文では,それぞれの弱点を緩和しつつ,相補的な強みを活かすために2つのパラダイムを統合する新しいフレームワークであるCoADを提案する。 この枠組みでは、分類モジュールは再構成モジュールの確率インフォームドなソフトマスクを生成し、分類モジュールの一般化問題を緩和する。 この協調設計により、CoADは既存の手法で見落とされがちな微妙で複雑な異常を効果的に検出できる。 さらに、分類モジュールは、不適切な分類の粒度と周波数情報の無視に関連する問題を解決するために慎重に設計されている。 厳格な評価プロトコルの下で実施された、高品質なベンチマークデータセットに関する大規模な実験は、CoADが最先端のディープラーニングと従来のデータマイニングの両方を著しく上回っており、TSADにおけるディープラーニングの可能性を強調していることを示している。 さらに、CoADは既存のSOTAメソッドよりも軽量で大幅に高速であり、大規模でリアルタイムなアプリケーションに実用的価値を示す。

関連論文リスト

• Bayesian Cross-Modal Alignment Learning for Few-Shot Out-of-Distribution Generalization [47.64583975469164]
  本稿では,この問題に対処するために,新しいクロスモーダルな画像テキストアライメント学習手法(Bayes-CAL)を提案する。 Bayes-CALは2次元分布シフトにおける最先端のOoD一般化性能を達成する。 CLIPのようなモデルと比較して、Bayes-CALは目に見えないクラスでより安定した一般化性能を得る。
  論文  参考訳（メタデータ） (2025-04-13T06:13:37Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [89.92916473403108]
  本稿では,新しい手法のモジュラーフレームワークであるADerの総合的な視覚異常検出ベンチマークを提案する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
  異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。 この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。 セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
  論文  参考訳（メタデータ） (2024-04-16T17:38:26Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Learning Prompt-Enhanced Context Features for Weakly-Supervised Video Anomaly Detection [37.99031842449251]
  弱い監督下での映像異常検出は重大な課題を呈する。 本稿では,効率的なコンテキストモデリングとセマンティック識別性の向上に焦点をあてた,弱教師付き異常検出フレームワークを提案する。 提案手法は,特定の異常なサブクラスの検出精度を大幅に向上させ,その実用的価値と有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2023-06-26T06:45:16Z)

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。