論文の概要: PAI: Preserving Amplitude Information in Representation-Based Time-Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2606.08935v1
• Date: Mon, 08 Jun 2026 02:24:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.573494
• Title: PAI: Preserving Amplitude Information in Representation-Based Time-Series Anomaly Detection
• Title（参考訳）: PAI:表現に基づく時系列異常検出における振幅情報保存
• Authors: Kang Zhang, Wei Jian Lau, Shoushou Ren, Dong Lin, Joon Son Chung, Chuanhao Sun,
• Abstract要約: PAIと呼ばれる新しい異常スコアリング手法を提案する。 PaAno + PAIは最高のパフォーマンスを実現し、最先端の手法を15%上回っている。
• 参考スコア（独自算出の注目度）: 29.478588882450467
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Representation-based time-series anomaly detection algorithms significantly outperform other methods on diverse anomaly detection tasks. However, we notice that they suffer from a major limitation in our evaluation - their learned embeddings are often amplitude-agnostic. Losing amplitude information can degrade performance on amplitude related anomalies, and this failure is prevalent across all existing representation-based methods. To address aforementioned issues, we propose a new anomaly scoring scheme named PAI. PAI consists of two complementary modules, a diagnostic module and a final score augmentation function. The diagnostic module compares cosine and Euclidean scoring on the same representation bank to test whether amplitude information is already captured in the learned representation. Then in final score augmentation function, PAI computes a point-wise median and MAD deviation score and a local mean-shift score-which are fused with the representation score to produce the final anomaly score. On the TSB-AD-U-Eva and TAB UV datasets, PAI improves all four evaluated representation-based methods across every reported metric, achieving average VUS-PR gains of 98.4% and 36.8%, respectively. Among all evaluated combinations, PaAno + PAI achieves the best performance, outperforming the state-of-the-art method by 15%. Further evaluation on bootstrap confidence intervals, anomaly-type breakdowns, and a TS2Vec input-normalization ablation further support the proposed scheme. These results suggest that explicitly retaining amplitude information is important for representation-based time-series anomaly detection, which has been underemphasized in existing scoring schemes. Code is available at: https://github.com/pantheon5100/PAI
• Abstract（参考訳）: 表現に基づく時系列異常検出アルゴリズムは,様々な異常検出タスクにおいて,他の手法よりも有意に優れていた。 しかし、評価において大きな限界に悩まされていることに気づき、学習された埋め込みは振幅に依存しないことが多い。 振幅情報の喪失は振幅関連異常の性能を低下させる可能性があり、この故障は既存のすべての表現に基づく手法に共通している。 上記の問題に対処するため、我々はPAIと呼ばれる新しい異常スコアリング手法を提案する。 PAIは2つの相補的なモジュール、診断モジュールと最終的なスコア拡張機能から構成される。 診断モジュールは、同じ表現バンク上のコサインとユークリッドのスコアを比較し、学習された表現で振幅情報が既に取得されているかどうかをテストする。 そして、ファイナルスコア増強機能において、PAIは、ポイントワイド中央値及びMAD偏差スコアと、表示スコアと融合して最終異常スコアを生成する局所平均シフトスコアとを算出する。 TSB-AD-U-EvaデータセットとTAB UVデータセットでは、PAIは、報告されたメトリック毎に評価された4つの表現ベースのメソッドを改善し、それぞれ98.4%と36.8%の平均的なVUS-PRゲインを達成した。 評価されたすべての組み合わせの中で、PaAno + PAIは最高のパフォーマンスを達成し、最先端の手法を15%上回っている。 さらに,ブートストラップの信頼区間,異常型故障,TS2Vec入力正規化アブレーションが提案手法を支持している。 これらの結果は,既存のスコアリング方式では強調されていない表現に基づく時系列異常検出において,振幅情報の明示的保持が重要であることを示唆している。 コードは、https://github.com/pantheon5100/PAIで入手できる。

関連論文リスト

• PaAno: Patch-Based Representation Learning for Time-Series Anomaly Detection [14.610038284393164]
  時系列異常検出のためのパッチベース表現学習(PaAno)を提案する。 PaAnoは時系列トレーニングデータから短い時間パッチを抽出し、1D畳み込みニューラルネットワークを使用して各パッチをベクトル表現に埋め込む。 TSB-ADベンチマークで評価すると、PaAnoは最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2026-02-01T17:52:59Z)
• AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
  AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。 2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。 分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:47:16Z)
• Rethinking Metrics and Benchmarks of Video Anomaly Detection [58.37571339811799]
  ビデオ異常検出(VAD)は、期待から外れた異常を検出することを目的としている。 既存のVADメトリクスは、単一のアノテーションバイアスの影響を受けます。 既存のベンチマークには、完全に/弱い教師付きアルゴリズムのシーンオーバーフィットを評価する能力がない。
  論文  参考訳（メタデータ） (2025-05-25T08:09:42Z)
• Improving Bias Correction Standards by Quantifying its Effects on Treatment Outcomes [54.18828236350544]
  Propensity score matching (PSM) は、分析のために同等の人口を選択することで選択バイアスに対処する。 異なるマッチング手法は、すべての検証基準を満たす場合でも、同じタスクに対する平均処理効果(ATE)を著しく異なるものにすることができる。 この問題に対処するため,新しい指標A2Aを導入し,有効試合数を削減した。
  論文  参考訳（メタデータ） (2024-07-20T12:42:24Z)
• AUPIMO: Redefining Visual Anomaly Detection Benchmarks with High Speed and Low Tolerance [0.562479170374811]
  Per-IMage Overlap(PIMO)は、AUROCとAUPROの欠点に対処する新しいメトリクスである。 画像ごとのリコールの測定は、計算を単純化し、ノイズの多いアノテーションに対してより堅牢である。 実験の結果,PIMOは実用的優位性があり,性能の見識に乏しいことがわかった。
  論文  参考訳（メタデータ） (2024-01-03T21:24:44Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Self-Attentive Classification-Based Anomaly Detection in Unstructured Logs [59.04636530383049]
  ログ表現を学習するための分類法であるLogsyを提案する。 従来の方法と比較して,F1スコアの平均0.25の改善を示す。
  論文  参考訳（メタデータ） (2020-08-21T07:26:55Z)

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。