論文の概要: JAPE: Joint Anomaly Prediction and Intrinsic Explanation in Multivariate Time Series

• arxiv url: http://arxiv.org/abs/2608.11801v2
• Date: Mon, 17 Aug 2026 07:27:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 13:30:43.580246
• Title: JAPE: Joint Anomaly Prediction and Intrinsic Explanation in Multivariate Time Series
• Title（参考訳）: JAPE:多変量時系列における共同異常予測と本質的説明
• Abstract要約: JAPE(Joint Anomaly Prediction and Explanation framework)を提案する。 数値解法モデリングから依存性構造モデリングまで、異常予測を解除する。 JAPEは、ポイントワイドアラートとネイティブ変数レベルの説明の両方に対して、依存関係構造を明示的にモデル化する最初の異常予測フレームワークである。
• 参考スコア（独自算出の注目度）: 10.289043309687312
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multivariate time-series anomaly prediction aims to identify whether and when anomalies will occur over a future horizon from historical observations. Existing methods primarily characterize anomalies as deviations in future numerical values, which may overlook subtle dependency changes induced by weak anomaly precursors and provide no native variable-level explanation together with the alert. To bridge these gaps, we propose JAPE, a Joint Anomaly Prediction and Explanation framework that lifts anomaly prediction from numerical-deviation modeling to dependency-structure modeling. JAPE is the first anomaly prediction framework to explicitly model evolving dependency structures for both point-wise alerting and native variable-level explanation. Specifically, JAPE (i) proposes a Decoupled Spatio-Temporal Representation (DSTR) backbone that decouples temporal and spatial modeling and captures lag-aware dependencies via learnable lag aggregation, thereby perceiving structural precursors before numerical deviations emerge; (ii) designs a dual-view alerting mechanism that fuses numerical forecasts with evolving dependency graphs for point-wise anomaly prediction, capturing structural evidence even under subtle numerical deviations; and (iii) presents Native Predictive Explanation (NPE), which directly reuses the predicted dependency graphs to rank variables by structural deviations without additional models or training. Extensive experiments on five real-world benchmarks across three prediction horizons demonstrate that JAPE improves average F1 and AUC-PR by 19.7% and 41.3%, respectively, while improving explainability with 26.6% gain in MRR.
• Abstract（参考訳）: 多変量時系列異常予測は、過去の観測から将来の地平線上で異常が発生するかどうかを識別することを目的としている。 既存の手法では、異常を将来の数値の偏差として特徴付けており、弱い異常前駆体によって引き起こされる微妙な依存性の変化を見落とし、アラートとともにネイティブな変数レベルの説明を提供しない。 これらのギャップを埋めるため, 数値解法モデリングから依存性構造モデリングまで, 異常予測を緩和する統合異常予測・説明フレームワーク JAPE を提案する。 JAPEは、ポイントワイドアラートとネイティブ変数レベルの説明の両方に対して、依存関係構造を明示的にモデル化する最初の異常予測フレームワークである。 特にJAPE i) 時間的・空間的モデリングを分離し、学習可能なラグアグリゲーションを介してラグ認識依存を捕捉し、数値的なずれが発生する前に構造的前駆体を知覚するデカップリング時空間表現(DSTR)バックボーンを提案する。 二 微妙な数値偏差の下でも構造的証拠を把握し、かつ、二視点警報機構を、点方向の異常予測のために進化する依存グラフで数値予測と融合させる。 (iii)Native Predictive Explanation(NPE)を提示する。これは、予測された依存性グラフを直接再利用して、モデルやトレーニングを追加せずに、構造的な偏差によって変数をランク付けする。 3つの予測地平線にまたがる5つの実世界のベンチマークの大規模な実験により、JAPEは平均F1とAUC-PRをそれぞれ19.7%、41.3%改善し、MRRは26.6%向上した。

関連論文リスト

• GSLAD: Prototype-Regularized Graph Structure Learning for Multivariate Time Series Anomaly Detection [16.359227521428465]
  本稿では,構造偏差を異常スコアに用いたグラフ構造学習フレームワークGSLADを提案する。 4つの産業ベンチマークの実験は、GSLADの全体的な性能を強く示している。
  論文  参考訳（メタデータ） (2026-09-14T12:37:48Z)
• Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
  時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。 本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-24T07:31:55Z)
• TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
  TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。 TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。 これは最先端の可逆正規化法より優れている。
  論文  参考訳（メタデータ） (2026-03-18T07:21:24Z)
• 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)
• Epistemic Error Decomposition for Multi-step Time Series Forecasting: Rethinking Bias-Variance in Recursive and Direct Strategies [1.1432909951914676]
  予測される多段階予測誤差を,既約雑音,構造近似ギャップ,推定分散項の3つの部分に分解する。 線形予測器の場合、構造的ギャップは任意のデータセットに対してゼロであることを示す。 しかし、非線形予測器では、再帰に使用される繰り返し合成はモデル表現性を高めることができる。
  論文  参考訳（メタデータ） (2025-11-14T16:32:42Z)
• 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)
• Unsupervised Anomaly Prediction with N-BEATS and Graph Neural Network in Multi-variate Semiconductor Process Time Series [1.0874100424278175]
  半導体製造における異常予測には いくつか重要な課題があります 変数間の複雑な相互依存性は、異常予測と根本原因分析の両方を複雑にする。 本稿では,異常検出から異常予測まで,新たな2つのアプローチを提案する。
  論文  参考訳（メタデータ） (2025-10-23T16:33:52Z)
• Towards Robust and Adaptive Motion Forecasting: A Causal Representation Perspective [72.55093886515824]
  本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。 我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。 合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2021-11-29T18:59:09Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Latent Causal Invariant Model [128.7508609492542]
  現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。 因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
  論文  参考訳（メタデータ） (2020-11-04T10:00:27Z)

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。