論文の概要: PaAno+: Multiscale Encoding and Cross-Variable Attention for Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2606.20055v1
• Date: Thu, 18 Jun 2026 10:27:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.796667
• Title: PaAno+: Multiscale Encoding and Cross-Variable Attention for Time Series Anomaly Detection
• Title（参考訳）: PaAno+: 時系列異常検出のためのマルチスケールエンコーディングと多変数アテンション
• Authors: Youji Zhu, Hongbing Wang, Wenchao Liu, Xiaodong Liu, Xiangguang Xiong,
• Abstract要約: 時系列異常検出は、産業と医療の監視、および他の重要な領域にとって重要な実用的価値を持つ。 本研究では,パッチ指向表現学習パラダイムにおいて,PaAnoと呼ばれる軽量かつ効率的な異常検出モデルを開発した。
• 参考スコア（独自算出の注目度）: 6.394123470044826
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-series anomaly detection has significant practical value for industrial and medical monitoring, as well as other critical domains. Current Transformer- and large-model-based detection approaches incur excessive computational overhead, while existing lightweight alternatives are constrained by insufficient feature extraction and inadequate modeling of dependencies across multivariate variables. To mitigate the above drawbacks, this study develops a lightweight, efficient anomaly detection model, dubbed PaAno, within the patch-oriented representation learning paradigm. In the encoder module, a multiscale feature-extraction backbone is constructed using convolutional kernels with differentiated receptive fields to capture hierarchical temporal characteristics; subsequent cross-scale adaptive attention aggregation, combined with residual connection optimization, further stabilizes feature representation learning. A cross-variable fusion attention module is embedded to explicitly characterize inter-variable correlations, empowering the model to identify anomalous patterns amid intricate operational conditions. Moreover, a novel pretext task based on temporal patch-window sorting is customized to uncover intrinsic structural properties of time series, and triplet loss is leveraged to optimize the patch embedding space for enhanced feature discrimination. Extensive experiments on the TSB-AD benchmark demonstrate that the proposed PaAno achieves state-of-the-art detection accuracy on both univariate and multivariate tasks, yielding significant performance gains across evaluation metrics, including VUS-PR, relative to the original PaAno. Leveraging a compact network design, the presented model achieves favorable computational efficiency, enabling deployment on resource-limited terminals for real-time anomaly inference.
• Abstract（参考訳）: 時系列異常検出は、産業と医療の監視、および他の重要な領域にとって重要な実用的価値を持つ。 現在のTransformerおよび大規模モデルに基づく検出手法は過剰な計算オーバーヘッドを発生させるが、既存の軽量な代替手段は機能抽出が不十分で、多変量変数間の依存性のモデリングが不十分である。 上記の欠点を軽減するため,パッチ指向表現学習パラダイムにおいて,PaAnoと呼ばれる軽量かつ効率的な異常検出モデルを開発した。 エンコーダモジュールでは、階層的時間特性を捉えるために、異なる受容場を持つ畳み込みカーネルを用いて、マルチスケールの特徴抽出バックボーンを構築し、その後、残差接続最適化と組み合わせて、特徴表現学習をさらに安定化させる。 相互拡散アテンションモジュールを組み込んで、相互相関を明示的に特徴付け、複雑な運用条件下で異常パターンを識別する。 さらに、時系列の固有構造を明らかにするために、時間的パッチウィンドウソートに基づく新しいプリテキストタスクをカスタマイズし、三重項損失を利用してパッチ埋め込み空間を最適化し、特徴識別を強化した。 TSB-ADベンチマークの大規模な実験により、提案したPaAnoは、単変量および多変量の両方のタスクに対して最先端検出精度を達成し、元のPaAnoと比較して、VUS-PRを含む評価指標間で大きなパフォーマンス向上をもたらすことが示された。 提案モデルでは,ネットワーク設計のコンパクト化により,実時間異常推論のための資源制限型端末への展開が可能な計算効率が向上する。

関連論文リスト

• TimeLAVA: Learning-Agnostic Data Valuation for Time Series [48.76711740818533]
  TimeLAVAは、評価データと参照データの間の分布差を最小限に抑えるために、時間セグメントを限界貢献によって評価する学習非依存のフレームワークである。 モデルに依存しない一般化にバリュエーションをリンクする理論的保証を提供し、汚染に対する有界感度を証明する。
  論文  参考訳（メタデータ） (2026-06-17T06:16:16Z)
• 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)
• FusAD: Time-Frequency Fusion with Adaptive Denoising for General Time Series Analysis [92.23551599659186]
  時系列分析は、金融、医療、産業、気象学などの分野において重要な役割を果たす。 FusADは多様な時系列タスク用に設計された統合分析フレームワークである。
  論文  参考訳（メタデータ） (2025-12-16T04:34:27Z)
• Artificial Intelligence-Based Multiscale Temporal Modeling for Anomaly Detection in Cloud Services [10.421371572062595]
  本研究では,マルチスケール特徴認識を統合したTransformerアーキテクチャに基づく異常検出手法を提案する。 提案手法は,精度,リコール,AUC,F1スコアなどの主要な指標において,主流のベースラインモデルより優れている。
  論文  参考訳（メタデータ） (2025-08-20T07:52:36Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• Mamba Adaptive Anomaly Transformer with association discrepancy for time series [5.924110046959179]
  時系列における異常検出は, 産業モニタリングや環境センシングに不可欠である。 既存の手法では、短期的な文脈に対する感受性や、ノイズの多い非定常環境における非効率性といった制限に直面している。 関連性モデリングと再構成品質を向上させる改良されたアーキテクチャであるMAATを紹介する。
  論文  参考訳（メタデータ） (2025-02-11T16:22:06Z)
• 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)
• Learning Multi-Pattern Normalities in the Frequency Domain for Efficient Time Series Anomaly Detection [37.992737349167676]
  時系列異常検出のための周波数領域における多重正規パターン対応異常検出手法を提案する。 i) 統一モデルで多様な正規パターンを扱うのに優れたパターン抽出機構、(ii) 時間領域における短期異常を増幅し周波数領域における異常の再構築を妨げる双対的畳み込み機構、(iii) 周波数領域のスパーシリティと並列性を活用してモデル効率を向上させる。
  論文  参考訳（メタデータ） (2023-11-26T03:31:43Z)
• Spatial-Temporal Graph Enhanced DETR Towards Multi-Frame 3D Object Detection [54.041049052843604]
  STEMDは,多フレーム3Dオブジェクト検出のためのDETRのようなパラダイムを改良した,新しいエンドツーエンドフレームワークである。 まず、オブジェクト間の空間的相互作用と複雑な時間的依存をモデル化するために、空間的時間的グラフアテンションネットワークを導入する。 最後に、ネットワークが正のクエリと、ベストマッチしない他の非常に類似したクエリを区別することが課題となる。
  論文  参考訳（メタデータ） (2023-07-01T13:53:14Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)

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。