論文の概要: Disjoint or Overlapping? Inference Windowing for Reconstruction-Based Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2606.09874v1
• Date: Tue, 02 Jun 2026 19:42:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:57.984393
• Title: Disjoint or Overlapping? Inference Windowing for Reconstruction-Based Time Series Anomaly Detection
• Title（参考訳）: 解離か重複か? 再構成に基づく時系列異常検出のための推論ウィンドウ化
• Authors: Guillaume Coulaud, Reza Akbarinia, Florent Masseglia,
• Abstract要約: 本研究では,サブシーケンスが不整合ウィンドウとして処理されるか,重なり合うかを制御する推論ストライドの役割について検討する。 本稿では、TSB-ADベンチマーク上で、統一的なトレーニング、チューニング、およびマルチシード評価プロトコルを提案する。 重なり合うウィンドウは、平均的な相対的なゲインが+28%まで向上し、メソッドランキングを変更することができることを示す。
• 参考スコア（独自算出の注目度）: 1.5439079597766574
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reconstruction-based methods are widely used for time series anomaly detection, where models are trained to reconstruct subsequences, and anomalies are identified through reconstruction errors. However, reported results are often hard to compare due to heterogeneous evaluation practices and underspecified inference procedures. In this paper, we revisit reconstruction-based anomaly detection in the univariate offline setting and study the role of the inference stride, which controls whether subsequences are processed as disjoint windows or with overlap. We propose a unified training, tuning, and multi-seed evaluation protocol on the curated TSB-AD benchmark, and study how overlapping inference affects anomaly detection performance for a range of reconstruction models, including PCA-based baselines, DLinear, an AutoEncoder, TimesNet, and Transformer variants. The results show that across all models, overlapping windows yield consistent improvements, with average relative gain up to +28%, and can alter method rankings. We further analyze variability across datasets, random seeds, and hyperparameter configurations. Finally, we complement the benchmark study with an evaluation on the full UCR archive using localization criteria aligned with sliding-window reconstruction. Overall, our results highlight that reconstruction-based anomaly detection performance depends not only on model architecture and training, but also on inference choices, motivating a clear and reproducible protocol. Our results show that reconstructionbased baselines achieve strong performance on both TSB-AD and UCR benchmarks, supporting them as competitive and practical approaches for univariate time series anomaly detection.
• Abstract（参考訳）: リコンストラクションに基づく手法は時系列異常検出に広く用いられ、サブシーケンスを再構築するためにモデルが訓練され、リコンストラクションエラーによって異常が識別される。 しかし,不均一な評価手法や不特定推論手法により,報告結果の比較は困難であることが多い。 本稿では,単一変数のオフライン設定における再構成に基づく異常検出を再検討し,サブシーケンスを非結合ウィンドウとして処理するか,あるいは重なりに処理するかを制御する推論ストライドの役割について検討する。 そこで本稿では,PCAベースベースライン,DLinear,AutoEncoder,TimesNet,Transformerなどを含むさまざまな再構成モデルに対して,オーバーラップした推論が異常検出性能に与える影響について検討する。 その結果、重なり合うウィンドウが一貫した改善をもたらし、平均的な相対的ゲインは+28%まで増加し、メソッドのランクを変更することができることがわかった。 さらに、データセット、ランダムシード、ハイパーパラメータ構成のばらつきを分析します。 最後に,スライディングウインドウの復元に適合した局所化基準を用いて,UCRアーカイブ全体の評価を行い,ベンチマーク研究を補完する。 全体として,再構成に基づく異常検出性能は,モデルアーキテクチャやトレーニングだけでなく,推論の選択にも依存し,明確かつ再現可能なプロトコルを動機付けている。 この結果から,TSB-ADベンチマークとUCRベンチマークの両ベンチマークにおいて,一変量時系列異常検出のための競合的かつ実践的な手法として,再構築ベースラインが高い性能を達成できることが示唆された。

関連論文リスト

• An Improved Time Series Anomaly Detection by Applying Structural Similarity [17.056935729423667]
  本稿では,新しい構造強化型異常検出手法であるStrADを提案する。 この結果から,StrADは5つの実世界の異常検出データセットにまたがって,最先端の再構築モデルの性能を向上させることを示した。
  論文  参考訳（メタデータ） (2025-09-24T14:45:00Z)
• Chain-of-Retrieval Augmented Generation [91.02950964802454]
  本稿では,o1-like RAGモデルを学習し,最終回答を生成する前に段階的に関連情報を抽出・推論する手法を提案する。 提案手法であるCoRAGは,進化状態に基づいて動的にクエリを再構成する。
  論文  参考訳（メタデータ） (2025-01-24T09:12:52Z)
• Amortized Posterior Sampling with Diffusion Prior Distillation [55.03585818289934]
  Amortized Posterior Smplingは、逆問題における効率的な後方サンプリングのための新しい変分推論手法である。 本手法は,拡散モデルにより暗黙的に定義された変動分布と後続分布とのばらつきを最小限に抑えるために条件付き流れモデルを訓練する。 既存の手法とは異なり、我々のアプローチは教師なしであり、ペア化されたトレーニングデータを必要としておらず、ユークリッドと非ユークリッドの両方のドメインに適用できる。
  論文  参考訳（メタデータ） (2024-07-25T09:53:12Z)
• RESTAD: REconstruction and Similarity based Transformer for time series Anomaly Detection [3.0377067713090633]
  時系列データの異常検出は、様々な領域で重要である。 アーキテクチャに放射基底関数(RBF)の層を組み込むことにより、トランスフォーマーモデルの適応であるRESTADを導入する。
  論文  参考訳（メタデータ） (2024-05-13T07:10:35Z)
• REBAR: Retrieval-Based Reconstruction for Time-series Contrastive Learning [64.08293076551601]
  正の対を識別する学習尺度を新たに提案する。 検索ベースレコンストラクションは2つのシーケンス間の類似度を測定する。 本稿では,REBAR誤差が相互クラスメンバシップの予測因子であることを示す。
  論文  参考訳（メタデータ） (2023-11-01T13:44:45Z)
• Spot The Odd One Out: Regularized Complete Cycle Consistent Anomaly Detector GAN [4.5123329001179275]
  本研究では,GAN(Generative Adversarial Neural Network)のパワーを活用した,現実の応用における異常検出のための逆方向検出手法を提案する。 従来の手法は、あらゆる種類の異常に適用できないような、クラス単位での精度のばらつきに悩まされていた。 RCALADという手法は,この構造に新たな識別器を導入し,より効率的な学習プロセスを実現することで,この問題を解決しようとするものである。
  論文  参考訳（メタデータ） (2023-04-16T13:05:39Z)

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。