論文の概要: Anomaly Detection for Sparse and Irregular Multivariate Time Series with Latent SDEs

• arxiv url: http://arxiv.org/abs/2606.18898v1
• Date: Wed, 17 Jun 2026 10:17:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.11514
• Title: Anomaly Detection for Sparse and Irregular Multivariate Time Series with Latent SDEs
• Title（参考訳）: 遅延SDEを用いたスパースおよび不規則多変量時系列の異常検出
• Authors: Martin Uray, Dominik Geng, Florian Graf, Stefan Huber, Roland Kwitt,
• Abstract要約: 実世界のデータは、しばしばスパース、不規則にサンプリングされた、または部分的に観察されるが、既存の手法では、一様にサンプリングされた時系列を仮定する。 本研究では,連続時間力学系上に観測時系列を投影する潜在SDEに基づく生成手法を提案する。 6つの異常なベンチマークデータセットを用いた実験により,提案手法は最先端のベースラインの中で第1位であることがわかった。
• 参考スコア（独自算出の注目度）: 6.371871362888748
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Multivariate time series anomaly detection (MTSAD) is critical for a wide range of application areas, such as industrial monitoring, cybersecurity, or healthcare. Real-world data is often sparse, irregularly sampled or partially observed, yet existing methods assume uniformly sampled time series. We propose a generative approach based on Latent SDEs that projects the observed time series on a continuous-time stochastic dynamical system, directly being able to handle missing observations and irregular sampling, while also naturally capturing possible cyclic behavior that many real-world use cases inherently possess. Experiments on six anomaly benchmark datasets show that our proposed method ranks first among state-of-the-art baselines. We further demonstrate that our method remains robust under severe data sparsity, while performance significantly degrades for the tested baseline methods. These results highlight latent SDEs as a natural inductive bias for anomaly detection in multivariate time series, especially in presence of real-world irregularities.
• Abstract（参考訳）: 多変量時系列異常検出(MTSAD)は、産業監視、サイバーセキュリティ、医療など幅広い応用分野において重要である。 実世界のデータは、しばしばスパース、不規則にサンプリングされた、または部分的に観察されるが、既存の手法では、一様にサンプリングされた時系列を仮定する。 本研究では,観測時系列を連続時間確率力学系に投影し,観測結果の欠落や不規則なサンプリングを直接処理し,実世界の多くのユースケースが本質的に持つ循環的挙動を自然に把握する,潜在SDEに基づく生成手法を提案する。 6つの異常なベンチマークデータセットを用いた実験により,提案手法は最先端のベースラインの中で第1位であることがわかった。 さらに,本手法は厳密なデータ空間下では頑健であり,試験されたベースライン法では性能が著しく低下することを示した。 これらの結果は,多変量時系列における異常検出の自然な帰納的バイアスとして,特に実世界の不規則の存在下での潜在SDEに注目した。

関連論文リスト

• Learning Unified Representations of Normalcy for Time Series Anomaly Detection [0.0]
  本稿では,新しいフレームワークUnified Unsupervised Anomaly Detection(textU2textAD$)を提案する。 本手法は, スコアベース生成モデルを用いて, 正規サンプルの基盤となるデータ分布を学習する。 実験により,@textU2textAD$は検出精度において現在の最先端メソッドよりも優れるだけでなく,発生のかなり早い段階で異常を識別できることがわかった。
  論文  参考訳（メタデータ） (2026-05-10T18:12:22Z)
• 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)
• 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)
• Probabilistic Learning of Multivariate Time Series with Temporal Irregularity [21.361823581838355]
  実世界の時系列はしばしば、一様間隔や不整合変数を含む時間的不規則に悩まされる。 本稿では,変数の連立分布を任意の連続点で捉えながら,時間的不規則性をモデル化するエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-15T14:08:48Z)
• Time series anomaly detection with reconstruction-based state-space models [10.085100442558828]
  本稿では,時系列データに対する新しい教師なし異常検出手法を提案する。 長い短期記憶(LSTM)ベースのエンコーダデコーダを用いて観測空間と潜時空間のマッピングを行う。 潜在空間の正規化は、通常のサンプルの状態に制約を課し、マハラノビス距離を用いて異常レベルを評価する。
  論文  参考訳（メタデータ） (2023-03-06T17:52:35Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)

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。