論文の概要: ChronosAD: Leveraging Time Series Foundation Models for Accurate Anomaly Detection

• arxiv url: http://arxiv.org/abs/2606.01300v1
• Date: Sun, 31 May 2026 15:42:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.559732
• Title: ChronosAD: Leveraging Time Series Foundation Models for Accurate Anomaly Detection
• Title（参考訳）: ChronosAD: 正確な異常検出のための時系列基礎モデルを活用する
• Authors: Uzair Khan, Luigi Capogrosso, Francesco Biondani, Michele Magno, Franco Fummi, Francesco Setti, Marco Cristani,
• Abstract要約: 時系列異常検出は、金融、医療、産業など、様々な分野において重要な課題である。 時系列基礎モデルを特徴抽出器として用いた,異常検出のための新しいアーキテクチャであるChronosADを紹介する。 我々のモデルは、最小限のタスク固有チューニングを必要とし、産業、医療、サイバー物理、自動車システムを含む幅広い領域にわたる堅牢な一般化を実証する。
• 参考スコア（独自算出の注目度）: 18.00932623960289
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series anomaly detection is a crucial task in various domains, including finance, healthcare, and industry. However, existing methods often struggle to generalize across different datasets, especially when anomalies are subtle or context-dependent. To solve this issue, we introduce ChronosAD, a novel architecture for anomaly detection that uses a time series foundation model as a feature extractor. Specifically, it employs a two-stage pipeline: first, it uses the foundation model to extract embeddings for each time series in a zero-shot manner. Then, a custom-developed Temporal Block, composed of Bidirectional Long Short-Term Memory (BiLSTM) and Multi-Head Attention, refines these embeddings to capture temporal dependencies and highlight salient patterns. Unlike previous approaches, our model requires minimal task-specific tuning and demonstrates robust generalization across a wide range of domains, including industrial, medical, cyber-physical, and automotive systems. Extensive experiments on 11 benchmarks show that ChronosAD outperforms existing methods by 4.72% in AUC and 6.60% in AP on average. The source code is available at https://github.com/intelligolabs/ChronosAD.
• Abstract（参考訳）: 時系列異常検出は、金融、医療、産業など、様々な分野において重要な課題である。 しかしながら、既存のメソッドは、特に異常が微妙で文脈に依存している場合、異なるデータセットをまたいだ一般化に苦慮することが多い。 この問題を解決するために,時系列基礎モデルを特徴抽出器として用いた,異常検出のための新しいアーキテクチャであるChronosADを導入する。 まず、ファンデーションモデルを使用して、各時系列の埋め込みをゼロショットで抽出する。 次に、Bidirectional Long Short-Term Memory(BiLSTM)とMulti-Head Attention(Multi-Head Attention)で構成されたカスタム開発のTemporal Blockが、これらの埋め込みを洗練して、時間的依存関係をキャプチャし、健全なパターンをハイライトする。 従来のアプローチとは異なり、我々のモデルは最小限のタスク固有チューニングを必要とし、産業、医療、サイバー物理、自動車システムを含む幅広い領域にわたる堅牢な一般化を実証する。 11のベンチマークによる大規模な実験では、ChronosADはAUCでは4.72%、APでは6.60%で、既存の手法よりも優れていた。 ソースコードはhttps://github.com/intelligolabs/ChronosADで入手できる。

関連論文リスト

• Reasoning-based Anomaly Detection Framework: A Real-time, Scalable, and Automated Approach to Anomaly Detection Across Domains [3.804483269194178]
  Reasoning based Anomaly Detection Framework (RADF) は、非常に大きなデータセットでリアルタイムな異常検出を行うように設計されている。 RADFは9つの公開ベンチマークデータセットのうち5つで、AUCのパフォーマンスにおける最先端の異常検出モデルを上回っている。
  論文  参考訳（メタデータ） (2025-10-03T20:06:31Z)
• Time-RA: Towards Time Series Reasoning for Anomaly with LLM Feedback [55.284574165467525]
  Time-RA(Time-Series Reasoning for Anomaly)は、時系列異常検出を生成的、推論集約的なタスクに変換する。 また,実世界のマルチモーダルベンチマークデータセットであるRATs40Kを導入する。
  論文  参考訳（メタデータ） (2025-07-20T18:02:50Z)
• General Time-series Model for Universal Knowledge Representation of Multivariate Time-Series data [61.163542597764796]
  周波数領域で異なる時間粒度(または対応する周波数分解能)の時系列が異なる結合分布を示すことを示す。 時間領域と周波数領域の両方からタイムアウェア表現を学習するために,新しいFourierナレッジアテンション機構を提案する。 自己回帰的空白埋め込み事前学習フレームワークを時系列解析に初めて組み込み、生成タスクに依存しない事前学習戦略を実現する。
  論文  参考訳（メタデータ） (2025-02-05T15:20:04Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• 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)
• TFAD: A Decomposition Time Series Anomaly Detection Architecture with Time-Frequency Analysis [12.867257563413972]
  時系列異常検出は、複雑な時間的依存と限られたラベルデータのために難しい問題である。 本稿では,時間領域と周波数領域の両方を利用した時間周波数解析に基づく時系列異常検出モデル(TFAD)を提案する。
  論文  参考訳（メタデータ） (2022-10-18T09:08:57Z)
• 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。