論文の概要: Exploring Zero-Shot Foundation Models for Multivariate Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2607.12454v1
• Date: Tue, 14 Jul 2026 07:32:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.077521
• Title: Exploring Zero-Shot Foundation Models for Multivariate Time Series Anomaly Detection
• Title（参考訳）: 多変量時系列異常検出のためのゼロショット基礎モデル探索
• Authors: Martin Uray, Saverio Messineo, Roland Kwitt, Stefan Huber,
• Abstract要約: MTSADは、産業プロセス監視や金融リスク管理といった分野における信頼性と安全性に不可欠である。 ファンデーションモデル(FM)は、強いゼロショットの一般化を伴う幅広いデータに基づいて事前訓練される。 安全水処理 (SWaT) ベンチマークにおいて, FM の産業用 MTSAD へのゼロショット適用について検討した。
• 参考スコア（独自算出の注目度）: 4.468174618435543
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Multivariate Time Series Anomaly Detection (MTSAD) is essential for reliability and safety in domains such as industrial process monitoring and financial risk management, yet conventional approaches rely on application-specific models that are costly to train and hard to scale. Foundation Models (FMs), pre-trained on broad data with strong zero-shot generalization, have recently become available for univariate time series forecasting, raising the question of whether they can address MTSAD without task-specific training. We investigate the zero-shot application of a univariate forecasting FM, TimesFM, to industrial MTSAD on the Secure Water Treatment (SWaT) benchmark, evaluating two strategies: treating the FM as a per-feature forecaster with thresholded prediction errors, and as an embedder whose intermediate representations feed standard outlier detectors. Neither of our proposed setups is competitive with established baselines; embeddings reveal only partial separation between normal and anomalous segments, insufficient for reliable detection. The cause is that the FM is too effective at capturing temporal dynamics, yielding low error even within fully anomalous windows, so persistent anomalies become indistinguishable from normal behavior. However, these observations yield valuable insights: the error peaks at anomaly boundaries, indicating FMs reliably detect distribution changes. We conclude that the proposed naive zero-shot FMs are unsuitable for MTSAD but promising for change-point detection.
• Abstract（参考訳）: 多変量時系列異常検出(MTSAD)は、産業プロセス監視や金融リスク管理といった領域における信頼性と安全性に不可欠であるが、従来のアプローチでは、訓練にコストがかかり、スケールが困難であるアプリケーション固有のモデルに依存している。 強力なゼロショット一般化を伴う広帯域データに基づいて事前訓練されたファンデーションモデル(FM)は、最近一変量の時系列予測が可能となり、タスク固有のトレーニングなしでMSSADに対処できるかどうかという疑問が提起された。 安全水処理(SWaT)ベンチマークにおいて,一変量予測FM (TimesFM) の産業用 MTSAD へのゼロショット適用について検討し,FM をしきい値の予測誤差のある機能ごとの予測器として,中間表現が標準外層検出器を供給している埋め込み器として評価した。 いずれのセットアップも、確立されたベースラインと競合するものではなく、埋め込みは、正常な部分と異常な部分のみを分離することしか示さず、信頼性の高い検出には不十分である。 原因は、FMが時間的ダイナミクスを捉えるのに効果的すぎるため、完全に異常なウィンドウ内でもエラーが少ないため、持続的な異常は通常の動作と区別できない。 しかし、これらの観測は、異常境界における誤差ピークという貴重な洞察を与え、FMが確実に分布変化を検出することを示す。 提案したゼロショットFMは MTSAD には適さないが, 変化点検出には向いていない。

関連論文リスト

• AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
  AnchorMoEは、解釈可能な構成別分類フレームワークである。 ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。 実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-06-02T13:30:54Z)
• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• Real-Time Proactive Anomaly Detection via Forward and Backward Forecast Modeling [0.0]
  本稿では,前向き予測モデル (FFM) と後向き再構成モデル (BRM) の2つの前向きな異常検出フレームワークを紹介する。 FFMは破壊を予想する将来のシーケンスを予測し、BRMは将来の状況から最近の歴史を再構築し、初期の前駆体を明らかにする。 我々のモデルは連続的および離散的多変量特徴の両方をサポートし、実環境における堅牢な性能を実現する。
  論文  参考訳（メタデータ） (2026-02-12T03:57:41Z)
• EVEREST: An Evidential, Tail-Aware Transformer for Rare-Event Time-Series Forecasting [4.551615447454767]
  EVERESTは確率的レアイベント予測のためのトランスフォーマーベースのアーキテクチャである。 キャリブレーションされた予測とテールアウェアのリスク推定を提供する。 産業監視、天気予報、衛星診断などの高度な分野に適用できる。
  論文  参考訳（メタデータ） (2026-01-26T23:15:20Z)
• A Comparative Study of Adaptation Strategies for Time Series Foundation Models in Anomaly Detection [0.0]
  時系列基礎モデル(TSFM)は、大きな異種データに基づいて事前訓練される。 我々は、ゼロショット推論、フルモデル適応、パラメータ効率の微調整戦略を比較した。 これらの結果は、TSFMをスケーラブルで効率的な時系列異常検出のための有望な汎用モデルとして位置づけている。
  論文  参考訳（メタデータ） (2026-01-01T19:11:33Z)
• Forecast2Anomaly (F2A): Adapting Multivariate Time Series Foundation Models for Anomaly Prediction [4.113311437158182]
  Forecast2Anomaly (F2A) は, TSFMに異常予測能力を付与する新しいフレームワークである。 まず,TSFMを微調整し,異常点においても将来信号の正確な予測を行う共同予測・異常損失を提案する。 第2に、歴史的に関連する地平線と条件予測を検索するRAG(Retrieval-Augmented Generation)モジュールを導入する。
  論文  参考訳（メタデータ） (2025-11-05T03:13:26Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly Detection [124.52227588930543]
  教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。 不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。 非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。 我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
  論文  参考訳（メタデータ） (2023-08-29T13:38:35Z)

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。