論文の概要: FirstDiff: One-Step Diffusion-Based Anomaly Detection for Multivariate Time Series via Initial Noise Prediction
- arxiv url: http://arxiv.org/abs/2608.15727v1
- Date: Sun, 16 Aug 2026 12:59:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.4036
- Title: FirstDiff: One-Step Diffusion-Based Anomaly Detection for Multivariate Time Series via Initial Noise Prediction
- Title（参考訳）: FirstDiff:初期雑音予測による多変量時系列の1ステップ拡散に基づく異常検出
- Abstract要約: FirstDiffは、予測拡散雑音が正確な異常検出に十分な情報を含んでいるという観測に基づいて、拡散に基づく異常検出フレームワークである。
FirstDiffは、フルリバース軌道からの拡散推定を1つのdenoising-network評価に還元しつつ、最先端の性能を達成する。
- 参考スコア（独自算出の注目度）: 3.9788401595470604
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diffusion models have recently shown strong potential for multivariate time-series anomaly detection by learning the distribution of normal data through iterative denoising. Existing diffusion-based approaches, however, typically perform anomaly detection after completing the reverse diffusion process, relying primarily on the final reconstructed signal and overlooking informative representations produced during denoising. This design incurs substantial computational cost and limits the use of intermediate diffusion information for anomaly detection. In this paper, we propose FirstDiff, a diffusion-based anomaly detection framework based on the observation that the predicted diffusion noise at the initial reverse-diffusion evaluation already contains sufficient information for accurate anomaly detection. FirstDiff models the statistical distribution of predicted diffusion noise under normal behavior using validation data, enabling anomaly inference from a single denoising-network evaluation rather than completing the reverse diffusion trajectory. To model complex temporal and inter-sensor dependencies, FirstDiff employs a Diffusion Transformer as the denoising backbone. Extensive experiments on five public benchmark datasets demonstrate that FirstDiff achieves state-of-the-art performance while reducing diffusion inference from the full reverse trajectory to a single denoising-network evaluation.
- Abstract（参考訳）: 拡散モデルは最近,反復的雑音化により正規データの分布を学習することにより,多変量時系列異常検出の強い可能性を示している。
しかし、既存の拡散に基づくアプローチは、逆拡散過程を完了した後、主に最終的な再構成信号に依存して、復調時に発生する情報表現を見落とし、異常検出を行うのが一般的である。
この設計は計算コストを大幅に削減し、異常検出における中間拡散情報の使用を制限する。
本稿では,最初の逆拡散評価における予測拡散雑音が,正確な異常検出に十分な情報を含んでいるという観測に基づく拡散に基づく異常検出フレームワークであるFirstDiffを提案する。
FirstDiffは、検証データを用いて、正常な挙動下での予測拡散雑音の統計的分布をモデル化し、逆拡散軌跡を完遂するのではなく、単一の復調ネットワーク評価からの異常推論を可能にする。
複雑な時間的およびセンサー間の依存関係をモデル化するために、FirstDiffはDiffusion Transformerをデノイングバックボーンとして使用している。
5つの公開ベンチマークデータセットに対する大規模な実験は、FirstDiffが完全な逆軌道からの拡散推論を1つのデノナイジング・ネットワーク評価に還元しつつ、最先端のパフォーマンスを達成することを示した。
関連論文リスト
- Multivariate Time Series Anomaly Detection using DiffGAN Model [6.62154383680049]
DiffGANを提案する。これは拡散モデルのデノイザーに生成的対向ネットワークコンポーネントを付加する。
複数の最先端再構成モデルと比較して、DiffGANは異常検出において優れた性能を発揮することを示す実験結果が得られた。
論文 参考訳（メタデータ） (2025-01-03T01:20:38Z) - Diffusion Priors for Variational Likelihood Estimation and Image Denoising [10.548018200066858]
本稿では,現実の雑音に対処するために,逆拡散過程における適応的確率推定とMAP推定を提案する。
実世界の多様なデータセットの実験と分析により,本手法の有効性が示された。
論文 参考訳（メタデータ） (2024-10-23T02:52:53Z) - ASD-Diffusion: Anomalous Sound Detection with Diffusion Models [6.659078422704148]
実世界の工場において, 拡散モデル(ASD-Diffusion)に基づく異常音検出法が提案されている。
再構成後の入力から大きくずれた異常を検出するために, 後処理異常フィルタアルゴリズムを提案する。
暗黙的拡散モデルを導入し、推論速度を高速化する。
論文 参考訳（メタデータ） (2024-09-24T10:42:23Z) - GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。
世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。
本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
論文 参考訳（メタデータ） (2024-06-11T17:27:23Z) - Boosting Diffusion Models with Moving Average Sampling in Frequency Domain [101.43824674873508]
拡散モデルは、現在のサンプルに頼って次のサンプルをノイズ化し、おそらく不安定化を引き起こす。
本稿では,反復的復調過程をモデル最適化として再解釈し,移動平均機構を利用して全ての先行サンプルをアンサンブルする。
周波数領域における平均サンプリング(MASF)の動作」という完全なアプローチを命名する。
論文 参考訳（メタデータ） (2024-03-26T16:57:55Z) - Particle Denoising Diffusion Sampler [32.310922004771776]
Particle Denoising Diffusion Sampler (PDDS) は、軽微な仮定の下で一貫した推定を提供する。
マルチモーダルおよび高次元サンプリングタスクにおけるPDDSの実証を行った。
論文 参考訳（メタデータ） (2024-02-09T11:01:35Z) - Projection Regret: Reducing Background Bias for Novelty Detection via
Diffusion Models [72.07462371883501]
本研究では,非意味情報のバイアスを緩和する効率的な新規性検出手法であるemphProjection Regret(PR)を提案する。
PRは、テスト画像とその拡散ベースの投影の間の知覚距離を計算し、異常を検出する。
拡張実験により、PRは生成モデルに基づく新規性検出手法の先行技術よりも有意なマージンで優れていることが示された。
論文 参考訳（メタデータ） (2023-12-05T09:44:47Z) - DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。
高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。
異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
論文 参考訳（メタデータ） (2023-03-15T16:14:06Z) - Denoising Diffusion Samplers [41.796349001299156]
拡散モデルの認知は、多くの領域で最先端の結果を提供する生成モデルの一般的なクラスである。
我々は、非正規化確率密度関数から大まかにサンプリングし、それらの正規化定数を推定する類似のアイデアを探求する。
この文脈ではスコアマッチングは適用できないが、モンテカルロサンプリングのために生成的モデリングで導入された多くのアイデアを利用することができる。
論文 参考訳（メタデータ） (2023-02-27T14:37:16Z) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳（メタデータ） (2023-01-19T21:39:38Z) - Truncated Diffusion Probabilistic Models and Diffusion-based Adversarial
Auto-Encoders [137.1060633388405]
拡散に基づく生成モデルは、逆拡散連鎖を推論してデータを生成する方法を学ぶ。
我々は、データが純粋なランダムノイズになるまで、より高速で安価にノイズを付加するアプローチを提案する。
提案手法は,拡散過程と学習可能な暗黙的前処理の両方によって付与された逆自動エンコーダとしてキャスト可能であることを示す。
論文 参考訳（メタデータ） (2022-02-19T20:18:49Z)
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。