論文の概要: ProtoX-AD: Self-Explainable Time Series Anomaly Detection and Characterization

• arxiv url: http://arxiv.org/abs/2606.13277v1
• Date: Thu, 11 Jun 2026 12:30:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.787391
• Title: ProtoX-AD: Self-Explainable Time Series Anomaly Detection and Characterization
• Title（参考訳）: ProtoX-AD:自己説明可能な時系列異常の検出と評価
• Authors: Aitor Sánchez-Ferrera, Elisabeth Wetzer, Kristoffer Wickstrøm, Michael Kampffmeyer, Robert Jenssen,
• Abstract要約: ProtoX-ADは、自制TSADのためのプロトタイプベースの自己説明可能なフレームワークである。 解釈可能なプロトタイプとともに変換対応の潜伏表現を学習する。 ProtoX-ADはブラックボックスに匹敵する検出性能を達成する。
• 参考スコア（独自算出の注目度）: 22.20993136241034
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in time series anomaly detection (TSAD) have highlighted the effectiveness of self-supervised classification-based approaches. These methods apply transformations to normal training samples, training a classifier to recognize transformation-specific patterns that help identify anomalies through increased classification errors. Despite their strong performance, a significant challenge is their lack of explainability, as they provide limited insight into the characteristics of flagged anomalies. To address this limitation, we propose ProtoX-AD, a prototype-based self-explainable framework for self-supervised TSAD. ProtoX-AD learns transformation-aware latent representations alongside interpretable prototypes, enabling both accurate anomaly detection and the identification of distinct anomalous profiles through prototype-based explanations. Additionally, it allows for systematic analysis of how transformation design impacts detection performance and explainability. Experimental results on synthetic and real-world datasets demonstrate that ProtoX-AD achieves detection performance comparable to its black-box counterparts while offering more consistent and semantically meaningful explanations than existing explainable baselines. Our code is publicly available at https://github.com/Aitorzan3/ProtoX-AD.
• Abstract（参考訳）: 時系列異常検出(TSAD)の最近の進歩は、自己教師付き分類に基づくアプローチの有効性を強調している。 これらの手法は、通常のトレーニングサンプルに変換を適用し、分類エラーの増加によって異常を識別する変換固有のパターンを認識するように分類器を訓練する。 強い性能にもかかわらず、フラグ付き異常の特徴について限られた洞察を提供するため、説明可能性の欠如が大きな課題である。 この制限に対処するために,プロトタイプベースの自己説明可能なTSADフレームワークであるProtoX-ADを提案する。 ProtoX-ADは、解釈可能なプロトタイプとともに変換対応の潜在表現を学習し、プロトタイプベースの説明を通じて、正確な異常検出と異なる異常プロファイルの識別を可能にする。 さらに、トランスフォーメーション設計が検出性能と説明可能性にどのように影響するかを体系的に分析することができる。 合成および実世界のデータセットに関する実験結果は、ProtoX-ADが既存の説明可能なベースラインよりも一貫性と意味論的に意味のある説明を提供しながら、ブラックボックスに匹敵する検出性能を達成することを示した。 私たちのコードはhttps://github.com/Aitorzan3/ProtoX-ADで公開されています。

関連論文リスト

• Feature-Aware Test Generation for Deep Learning Models [0.5368630420272898]
  本研究では,視覚に基づくディープラーニング(DL)モデルのための機能認識型テスト生成フレームワークであるTectを紹介する。 潜在空間内で非絡み合ったセマンティック属性を摂動することで入力を生成する。 行動シフトにつながる特徴を特定し、セマンティック属性に視覚言語モデルを使用する。
  論文  参考訳（メタデータ） (2026-01-20T15:41:06Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• Counterfactual Explanation for Auto-Encoder Based Time-Series Anomaly Detection [0.3199881502576702]
  オートエンコーダは意思決定プロセスに固有の不透明さを示し、大規模な実践を妨げている。 本研究では,機能セレクタを用いて特徴を抽出し,モデル出力にコンテキストを与える。 実験結果から,提案手法がモデル決定過程に有意義かつ有意義な洞察を与える可能性が示唆された。
  論文  参考訳（メタデータ） (2025-01-03T19:30:11Z)
• AR-Pro: Counterfactual Explanations for Anomaly Repair with Formal Properties [12.71326587869053]
  異常検出は、重大な誤りや不審な振る舞いを識別するために広く用いられているが、現在の手法には解釈可能性がない。 本稿では,既存手法の共通特性を活用して,異常検出のための対実的説明を導入する。 このアプローチの重要な利点は、ドメインに依存しない説明可能性の形式的な仕様を可能にすることである。
  論文  参考訳（メタデータ） (2024-10-31T17:43:53Z)
• MeLIAD: Interpretable Few-Shot Anomaly Detection with Metric Learning and Entropy-based Scoring [2.394081903745099]
  本稿では,新たな異常検出手法であるMeLIADを提案する。 MeLIADはメートル法学習に基づいており、真の異常の事前分布仮定に頼ることなく、設計による解釈可能性を達成する。 解釈可能性の定量的かつ定性的な評価を含む5つの公開ベンチマークデータセットの実験は、MeLIADが異常検出とローカライゼーション性能の改善を達成することを実証している。
  論文  参考訳（メタデータ） (2024-09-20T16:01:43Z)
• Explanation Method for Anomaly Detection on Mixed Numerical and Categorical Spaces [0.9543943371833464]
  EADMNC (混合数値およびカテゴリー空間における説明可能な異常検出) これは、元のモデルで得られた予測に説明可能性を追加する。 本稿では,大規模な実世界のデータ,特にネットワーク侵入検出領域における実験結果について報告する。
  論文  参考訳（メタデータ） (2022-09-09T08:20:13Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。