論文の概要: Anomalies in Multivariate Time Series Benchmarks Are Mostly Univariate

• arxiv url: http://arxiv.org/abs/2606.02670v1
• Date: Mon, 01 Jun 2026 11:42:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.506287
• Title: Anomalies in Multivariate Time Series Benchmarks Are Mostly Univariate
• Title（参考訳）: 多変量時系列ベンチマークにおける異常は多変量である
• Authors: Marc Pinet, Julien Cumin, Samuel Berlemont, Dominique Vaufreydaz,
• Abstract要約: 異常を通知するセグメントごとの診断フレームワークを導入する。 断続的断裂は発生しない。 我々は、より構造的に多様な評価セットの開発を要求する。
• 参考スコア（独自算出の注目度）: 1.3299507495084417
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many recent multivariate time series anomaly detection (MT-SAD) models incorporate cross-channel modeling, under the implicit assumption that the structure of anomalies may be spread across multiple channels. We evaluate this assumption on eight widely used public benchmarks by introducing a per-segment diagnostic framework that flags, for each labeled anomaly, whether at least one channel deviates individually from its normal history, whether the cross-channel correlation structure changes, or both. The framework shows that no crosschannel rupture occurs without an accompanying univariate deviation across a range of reasonable thresholds. A complementary metric also reveals that on six of the eight benchmarks, at least half of the labeled anomaly segments deviate univariately on 79% to 100% of their timesteps, reaching 100% on three of these datasets. To verify that our framework captures cross-channel structure when present, we construct synthetic data of phase-shifted sinusoidal channels with shared noise. Each anomalous segment is altered through one of two channelwise corruptions that preserve the per-channel marginal distribution while breaking cross-channel structure, and our framework correctly characterizes these segments as cross-channel-only. On these data, channel-dependent (CD) models successfully exploit the cross-channel signal whereas channel-independent (CI) ones fail. The CI/CD comparison of a recent SOTA detector on real benchmarks further confirms that CD modeling brings no measurable gain. We conclude that current MTSAD benchmarks are unsuitable for validating cross-channel modeling capabilities, and we call for the development of more structurally diverse evaluation sets. The code for this study is publicly available.
• Abstract（参考訳）: 最近の多変量時系列異常検出(MT-SAD)モデルは、複数のチャネルにまたがって異常の構造が広がるという暗黙の仮定の下で、チャネル間モデリングを取り入れている。 この仮定は,各ラベル付き異常に対して,少なくとも1つのチャネルが正常な履歴から逸脱するか,チャネル間の相関構造が変化するか,あるいはその両方をフラグする,セグメントごとの診断フレームワークを導入することで,広く使用されている8つのベンチマーク上で評価する。 このフレームワークは、適切なしきい値の範囲にわたる一変量偏差を伴わずに、チャネル横断断裂は発生しないことを示す。 8つのベンチマークのうち6つのベンチマークでは、ラベル付き異常セグメントの少なくとも半数が79%から100%のタイムステップで不均一にずれており、3つのデータセットで100%に達する。 そこで我々は, 相変化した正弦波チャネルの合成データを共有雑音で構築する。 各異常区間は、チャネル間隙分布を断ちながらチャネル間隙分布を保ちながら2つのチャネル間破壊のうちの1つによって変更され、我々のフレームワークは、これらのセグメントをチャンネル間のみとして正しく特徴付ける。 これらのデータでは、チャネル依存(CD)モデルは、チャネルに依存しない(CI)モデルは失敗するが、チャネルに依存しない(CI)モデルは、チャネル間の信号を利用することに成功した。 実ベンチマークにおける最近のSOTA検出器のCI/CD比較は、CDモデリングが測定可能な利得をもたらしないことをさらに確認している。 現在のMTSADベンチマークは、チャネル間モデリング能力の検証には適さないと結論し、より構造的に多様な評価セットの開発を求める。 この研究のコードは公開されている。

関連論文リスト

• CALAD: Channel-Aware contrastive Learning for multivariate time series Anomaly Detection [0.14323566945483493]
  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。
  論文  参考訳（メタデータ） (2026-05-22T01:38:05Z)
• Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
  受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。 これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
  論文  参考訳（メタデータ） (2026-02-04T15:25:02Z)
• 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)
• SOFTS: Efficient Multivariate Time Series Forecasting with Series-Core Fusion [59.96233305733875]
  時系列予測は、金融、交通管理、エネルギー、医療など様々な分野で重要な役割を果たしている。 いくつかの方法は、注意やミキサーのようなメカニズムを利用して、チャネル相関をキャプチャすることでこの問題に対処する。 本稿では,効率的なモデルであるSOFTS(Series-cOre Fused Time Series forecaster)を提案する。
  論文  参考訳（メタデータ） (2024-04-22T14:06:35Z)
• From Similarity to Superiority: Channel Clustering for Time Series Forecasting [61.96777031937871]
  CCM(Channel Clustering Module)を開発した。 CCMは、固有の類似性を特徴とするチャネルを動的にグループ化し、個々のチャネルのアイデンティティの代わりにクラスタ情報を活用する。 CCMは、CIモデルとCDモデルのパフォーマンスを、それぞれ長期および短期の予測において平均利率2.4%と7.2%で向上させることができる。
  論文  参考訳（メタデータ） (2024-03-31T02:46:27Z)
• The Capacity and Robustness Trade-off: Revisiting the Channel Independent Strategy for Multivariate Time Series Forecasting [50.48888534815361]
  本稿では、Channel Dependent(CD)戦略でトレーニングされたモデルが、Channel Dependent(CD)戦略でトレーニングされたモデルよりも優れていることを示す。 以上の結果から,CD手法は高いキャパシティを持つが,分散ドリフト時系列を正確に予測する堅牢性に欠けることがわかった。 本稿では,CI戦略を超越した正規化(PRReg)による予測残差法(Predict Residuals with Regularization, PRReg)を提案する。
  論文  参考訳（メタデータ） (2023-04-11T13:15:33Z)

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。