論文の概要: SCAN: Enhance Time Series Anomaly Detection via Multi-Scale Neighborhood-Centered Clustering

• arxiv url: http://arxiv.org/abs/2606.19255v1
• Date: Wed, 17 Jun 2026 16:30:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.270113
• Title: SCAN: Enhance Time Series Anomaly Detection via Multi-Scale Neighborhood-Centered Clustering
• Title（参考訳）: SCAN:マルチスケール近傍クラスタリングによる時系列異常検出
• Authors: Xingze Zheng, Hanyin Cheng, Siyuan Wang, Yiting Hao, Peng Chen, Yuan Jun, Yang Shu,
• Abstract要約: 再構成に基づく手法を強化するために,マルチスケールクラスタリングを導入する。 クラスタメンバシップ確率に基づいて,異常な信頼性スコアを導出する。 マルチビュークラスタリングのための近傍中心表現を抽出し,クラスタリング性能を向上させる。
• 参考スコア（独自算出の注目度）: 18.764590815118027
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series anomaly detection plays a crucial role in a wide range of real-world applications. Reconstruction-based methods have become the mainstream paradigm, but they suffer from over-generalization and under-generalization problems, which are challenging to balance. To address this, we introduce multi-scale clustering to enhance reconstruction-based methods. At the representation level, we integrate the cluster center representations of normal patterns to constrain the model to target representative normal patterns for reconstruction, preventing dominance of powerful capacity and representation capability. At the anomaly criterion level, we derive anomaly confidence score based on cluster membership probability and combine it with reconstruction error, providing dual criteria for detection. Furthermore, the effectiveness of the cluster center representations and anomaly confidence score depends on the clustering performance. Accordingly, we extract neighborhood-centered representations for multi-view clustering to improve clustering performance. Extensive experiments on multiple real-world datasets from diverse application domains demonstrate the state-of-the-art performance of SCAN.
• Abstract（参考訳）: 時系列異常検出は、幅広い現実世界の応用において重要な役割を果たす。 レコンストラクションに基づく手法が主流となっているが、それらは過大な一般化と過大な一般化の問題に悩まされており、バランスをとるのは難しい。 そこで本稿では,再構成手法の強化を目的としたマルチスケールクラスタリングを提案する。 表現レベルでは、正規パターンのクラスタ中心表現を統合し、モデルが再構成のための代表的正規パターンを対象とし、強力なキャパシティと表現能力の優位性を防止する。 異常基準レベルでは、クラスタメンバシップ確率に基づいて異常信頼度を導出し、再構成誤差と組み合わせ、検出の2つの基準を提供する。 さらに,クラスタ中心表現の有効性と異常信頼度はクラスタリング性能に依存する。 そこで我々は,マルチビュークラスタリングのための周辺中心表現を抽出し,クラスタリング性能を向上させる。 多様なアプリケーションドメインからの複数の実世界のデータセットに関する大規模な実験は、SCANの最先端のパフォーマンスを実証している。

関連論文リスト

• You Can Trust Your Clustering Model: A Parameter-free Self-Boosting Plug-in for Deep Clustering [73.48306836608124]
  DCBoostはパラメータフリーのプラグインで、現在のディープクラスタリングモデルのグローバルな特徴構造を強化するように設計されている。 本手法は, クラスタリング性能を効果的に向上することを目的としている。
  論文  参考訳（メタデータ） (2025-11-26T09:16:36Z)
• Generalized Deep Multi-view Clustering via Causal Learning with Partially Aligned Cross-view Correspondence [72.41989962665285]
  マルチビュークラスタリング(MVC)は、複数のビューにまたがる共通のクラスタリング構造を検討することを目的としている。 しかし、現実のシナリオは、部分的なデータだけが異なるビューに一貫して整合しているため、しばしば課題となる。 我々は,CauMVCと呼ばれる因果的マルチビュークラスタリングネットワークを設計し,この問題に対処する。
  論文  参考訳（メタデータ） (2025-09-19T14:31:40Z)
• MADCluster: Model-agnostic Anomaly Detection with Self-supervised Clustering Network [0.7373617024876725]
  自己教師付きクラスタリングを利用したモデルに依存しない異常検出フレームワークMADClusterを提案する。 中心となる考え方は、通常のパターンデータを'単一クラスタ'にクラスタ化すると同時に、クラスタセンタを学習し、このセンタに近いデータをマッピングすることです。 4つの時系列ベンチマークデータセットの実験では、MADClusterを適用することで、比較モデルの全体的なパフォーマンスが向上することが示された。
  論文  参考訳（メタデータ） (2025-05-22T04:50:44Z)
• GCC: Generative Calibration Clustering [55.44944397168619]
  本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。 まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。 第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
  論文  参考訳（メタデータ） (2024-04-14T01:51:11Z)
• Adaptively-weighted Integral Space for Fast Multiview Clustering [54.177846260063966]
  線形複雑度に近い高速マルチビュークラスタリングのための適応重み付き積分空間(AIMC)を提案する。 特に、ビュー生成モデルは、潜在積分空間からのビュー観測を再構成するために設計されている。 いくつかの実世界のデータセットで実施された実験は、提案したAIMC法の優位性を確認した。
  論文  参考訳（メタデータ） (2022-08-25T05:47:39Z)
• Hybrid Dynamic Contrast and Probability Distillation for Unsupervised Person Re-Id [109.1730454118532]
  非監督的人物再識別(Re-Id)は、リードワールドビデオ監視システムにおける実践的応用により注目されている。 本稿では,ハイブリッド動的クラスタコントラストと確率蒸留アルゴリズムを提案する。 教師なしRe-Id問題を局所-言語的ダイナミックコントラスト学習と自己教師付き確率蒸留の枠組みに統合する。
  論文  参考訳（メタデータ） (2021-09-29T02:56:45Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)

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。