Fugu-MT 論文翻訳(概要): Detecting the Undetectable: Enhancing Unsupervised time series Anomaly Detection via Active Learning

論文の概要: Detecting the Undetectable: Enhancing Unsupervised time series Anomaly Detection via Active Learning

arxiv url: http://arxiv.org/abs/2607.00720v1
Date: Wed, 01 Jul 2026 10:08:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-02 19:56:07.842573
Title: Detecting the Undetectable: Enhancing Unsupervised time series Anomaly Detection via Active Learning
Title（参考訳）: 検出不能:アクティブラーニングによる教師なし時系列異常検出の強化
Abstract要約: 大規模産業では、時系列データのラベル付けは高価で時間を要することが多い。本稿では,能動的学習を活用して教師なしモデルの性能を反復的に向上する新しいフレームワークを提案する。本フレームワークのコアコントリビューションは,(1)頑健な時間依存を学習させるマスク付き時系列再構成フィードバック戦略,(2)正常なサンプルと異常なサンプルを区別して頑健性を促進する最小学習戦略である。
参考スコア（独自算出の注目度）: 9.53248032827498
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Despite the increasing sophistication of industrial AI systems, the ability to reliably detect subtle and noisy anomalies in complex time series data remains a critical yet unresolved challenge. In large-scale industrial applications, labeling time series data is often prohibitively expensive and time-consuming, making unsupervised learning a practical and widely adopted approach. However, existing unsupervised methods frequently struggle to distinguish near-normal anomalies from normal patterns and are vulnerable to noise contamination within normal samples. To address these limitations, we propose a novel framework that leverages active learning to iteratively enhance the performance of unsupervised models. Our framework's core contributions are (1) a masked time-series reconstruction feedback strategy that forces the model to learn robust temporal dependencies, and (2) a minimax learning strategy that promotes robustness by differentially treating normal and abnormal samples. This process encourages the model to better capture the dynamics of subtle and noisy patterns. The proposed framework is evaluated across 28 test cases involving four multivariate time-series datasets and seven unsupervised backbone models. Experimental results demonstrate a 12.39% improvement in AUC compared to the original models, confirming that our method can be readily integrated into existing unsupervised reconstruction-based anomaly detection systems to significantly enhance their performance.
Abstract（参考訳）: 産業用AIシステムの高度化にもかかわらず、複雑な時系列データの微妙でノイズの多い異常を確実に検出する能力は、批判的だが未解決の課題である。大規模産業アプリケーションでは、時系列データのラベル付けは高価で時間を要することが多く、教師なし学習は実用的で広く採用されているアプローチである。しかし、既存の教師なし手法は、通常パターンとほぼ正常な異常を区別するのにしばしば苦労し、通常のサンプルのノイズ汚染に対して脆弱である。これらの制約に対処するために,能動的学習を活用して教師なしモデルの性能を反復的に向上する新しいフレームワークを提案する。本フレームワークのコアコントリビューションは,(1)頑健な時間依存を学習させるマスク付き時系列再構成フィードバック戦略,(2)正常なサンプルと異常なサンプルを区別して頑健性を促進する最小学習戦略である。このプロセスは、微妙でノイズの多いパターンのダイナミクスをよりよく捉えることをモデルに促します。提案フレームワークは、4つの多変量時系列データセットと7つの教師なしバックボーンモデルを含む28のテストケースで評価される。実験の結果,従来のモデルと比較してAUCは12.39%改善し,既存の教師なし再構成に基づく異常検出システムに容易に統合でき,性能を大幅に向上できることを確認した。

関連論文リスト

POST: Prior-Observation Adversarial Learning of Spatio-Temporal Associations for Multivariate Time Series Anomaly Detection [10.26613829763125]
本稿では,先行観測学習パラダイムを統一する新しいフレームワークを提案する。空間次元において、モデルはトレーニング中に、事前観測とデータ駆動観測の相違を最小限の方法で再構成する。このような逆最適化は、時間的検出に対するモデルの感度を向上するだけでなく、特定のチャネルに異常をローカライズすることを可能にする。
論文参考訳（メタデータ） (2026-05-18T09:34:14Z)
Labels Matter More Than Models: Quantifying the Benefit of Supervised Time Series Anomaly Detection [56.302586730134806]
時系列異常検出(TSAD)は、しばしばラベル不足によって制約される重要なデータマイニングタスクである。現在の研究は、主に教師なし時系列異常検出に焦点を当てている。本稿では,アーキテクチャの複雑さがTSADの最適経路である,という前提に挑戦する。
論文参考訳（メタデータ） (2025-11-20T08:32:49Z)
Towards Foundation Models for Zero-Shot Time Series Anomaly Detection: Leveraging Synthetic Data and Relative Context Discrepancy [33.68487894996624]
時系列異常検出(TSAD)は重要な課題であるが、見えないデータに一般化するモデルを開発することは大きな課題である。我々は、新しい事前学習パラダイムの上に構築されたTSADの新たな基盤モデルであるtextttTimeRCDを紹介した。 textttTimeRCD はゼロショット TSAD において,既存の汎用および異常固有の基盤モデルよりも大幅に優れていることを示す。
論文参考訳（メタデータ） (2025-09-25T14:05:15Z)
DRTA: Dynamic Reward Scaling for Reinforcement Learning in Time Series Anomaly Detection [7.185726339205792]
時系列データの異常検出は、ファイナンス、ヘルスケア、センサーネットワーク、産業監視におけるアプリケーションにとって重要である。本稿では,動的報酬形成,変分オートエンコーダ(VAE),DRTAと呼ばれるアクティブラーニングを統合した強化学習ベースのフレームワークを提案する。提案手法は,VAEに基づく再構成誤りと分類報酬の効果を動的にスケーリングすることにより,探索と利用のバランスをとる適応報酬機構を用いる。
論文参考訳（メタデータ） (2025-08-25T20:39:49Z)
DConAD: A Differencing-based Contrastive Representation Learning Framework for Time Series Anomaly Detection [12.658792855097198]
時系列異常は、さまざまなアプリケーション領域にわたるリスク識別と障害検出において重要な役割を担っている。ラベルが不要なため,教師なし学習手法が普及している。時系列異常検出のための差分型コントラスト表現学習フレームワーク(DConAD)を提案する。
論文参考訳（メタデータ） (2025-04-19T06:35:06Z)
Deep Multi-Manifold Transformation Based Multivariate Time Series Fault Detection [22.005142941322912]
本稿では, 近傍型データ拡張戦略と多次元表現学習フレームワークを組み合わせた新しい手法を提案する。提案手法は精度とロバスト性の両方において優れた性能を示し, 一般化と実世界の展開の可能性を示す。
論文参考訳（メタデータ） (2024-05-25T14:48:04Z)
Pattern-Based Time-Series Risk Scoring for Anomaly Detection and Alert Filtering -- A Predictive Maintenance Case Study [3.508168174653255]
本稿では,逐次パターンの類似性に基づいて,異常検出と警告フィルタリングを高速かつ効率的に行う手法を提案する。本稿では, 大規模産業システムにおける異常検出を含む様々な目的で, このアプローチをどのように活用するかを示す。
論文参考訳（メタデータ） (2024-05-24T20:27:45Z)
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)
Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
論文参考訳（メタデータ） (2023-12-26T07:08:06Z)
Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文参考訳（メタデータ） (2023-11-27T13:14:06Z)
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)
TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。