論文の概要: Structured Frequency-Domain Evidence for LLM-Based Time-Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2608.24113v1
• Date: Tue, 25 Aug 2026 06:22:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.83013
• Title: Structured Frequency-Domain Evidence for LLM-Based Time-Series Anomaly Detection
• Title（参考訳）: LLMに基づく時系列異常検出のための構造周波数領域の証拠
• Abstract要約: 本稿では, 指数付き非調波観測を保存したエビデンス増強型ゼロショットTSADフレームワークを提案する。 InternVL2-LLaMA3-76B, Qwen2.5-VL-72B-Instruct, Gemini-2.5-Flash, GPT-4oを用いたAnoLM実験の結果, 明らかな周波数領域のエビデンスによりTSADベースラインが向上することが示された。
• 参考スコア（独自算出の注目度）: 13.402569939370437
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time-series anomalies can appear not only as pointwise deviations but also as changes in recurring temporal structure, such as shifted periodicity or localized oscillatory fluctuations. However, existing LLM-based time-series anomaly detection methods mainly expose time-domain evidence through indexed values, plots, or de-seasonalized representations, leaving spectral structure implicit. We propose an evidence-augmented zero-shot TSAD framework that preserves indexed de-seasonalized observations while adding compact frequency-domain evidence computed with the Fast Fourier Transform (FFT). The evidence is constructed at two resolutions: global frequency-domain evidence summarizes sequence-level periodic context, while local frequency-domain evidence captures time-localized spectral departures. Experiments on AnomLLM with InternVL2-LLaMA3-76B, Qwen2.5-VL-72B-Instruct, Gemini-2.5-Flash, and GPT-4o, together with evaluation on the TSB-AD-U subset, show that explicit frequency-domain evidence improves LLM-based TSAD baselines. These results suggest that frequency-domain evidence can complement indexed and de-seasonalized time-domain inputs for zero-shot LLM-based TSAD.
• Abstract（参考訳）: 時系列異常は点偏差だけでなく、周期性の変化や局所的な振動変動といった時間構造の変化として現れる。 しかし、既存のLCMベースの時系列異常検出手法は、主にインデックス付き値、プロット、あるいはデシーズン化された表現を通して時間領域の証拠を公開し、スペクトル構造を暗黙的に残している。 本稿では,Fast Fourier Transform (FFT) で計算したコンパクトな周波数領域のエビデンスを付加しながら,インデックス付きデシーズン化観測を保存できるエビデンス強化型ゼロショットTSADフレームワークを提案する。 グローバル周波数領域の証拠はシーケンスレベルの周期的文脈を要約し、局所周波数領域の証拠は時間的局所化されたスペクトルの出発をキャプチャする。 InternVL2-LLaMA3-76B、Qwen2.5-VL-72B-Instruct、Gemini-2.5-Flash、GPT-4oによるAnomLLMの実験は、TSB-AD-Uサブセットの評価とともに、明示的な周波数領域証拠がLSMベースのTSADベースラインを改善することを示した。 これらの結果は、周波数領域のエビデンスは、ゼロショットLSMベースのTSADに対してインデックス化およびデシーズン化された時間領域入力を補完することができることを示唆している。

関連論文リスト

• FreqAnchorAD: Language-Free Zero-Shot Anomaly Detection via Frequency-Deviation Anchoring [11.908079655919849]
  本稿では,アンカー相対的異常識別のための周波数強調応答を整理するフレームワークであるFreqAnchorADを提案する。 FreqAnchorADは画像レベルの異常認識と画素レベルの欠陥ローカライゼーションにおいて最先端の性能を達成する。
  論文  参考訳（メタデータ） (2026-08-01T14:48:19Z)
• HyFAD: Hybrid Time-Frequency Diffusion with Frequency-Aware Embedding for Time Series Imputation [10.212955864311589]
  時系列計算のための時間周波数拡散モデルである textbfHyFAD を提案する。 周波数領域拡散プロセスは高周波スペクトル成分を洗練させる一方、低周波グローバルトレンドを捉える。 複数のベンチマークデータセットの実験は、HyFADが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2026-06-03T06:03:37Z)
• MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
  Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。 MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。 このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
  論文  参考訳（メタデータ） (2026-02-14T14:00:06Z)
• Contextual and Seasonal LSTMs for Time Series Anomaly Detection [49.50689313712684]
  CS-LSTM (Contextual and Seasonal LSTMs) という新しい予測型フレームワークを提案する。 CS-LSTMはノイズ分解戦略に基づいて構築され、コンテキスト依存と季節パターンを併用する。 彼らは一貫して最先端の手法を上回り、堅牢な時系列異常検出における有効性と実用的価値を強調した。
  論文  参考訳（メタデータ） (2026-02-10T11:46:15Z)
• LEFT: Learnable Fusion of Tri-view Tokens for Unsupervised Time Series Anomaly Detection [53.191369031661885]
  教師なし時系列異常検出は、アノテーションの可用性を前提とせず、異常なタイムスタンプを識別するモデルを構築することを目的としている。 本稿では,非教師付きTSADフレームワークであるLearnable Fusion of Tri-view Tokens(LEFT)について述べる。 実世界のベンチマーク実験では、LEFTはSOTAベースラインに対して最高の検出精度を示し、FLOPの5倍、トレーニングの8倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-09T13:33:49Z)
• LLM Hallucination Detection: A Fast Fourier Transform Method Based on Hidden Layer Temporal Signals [10.85580316542761]
  幻覚は、信頼性に敏感なアプリケーションに大規模言語モデル(LLM)をデプロイする上で、依然として重要な障壁である。 隠れ表現の時間的ダイナミクスをモデル化する新しい幻覚検出フレームワークであるHSAD(Hidden Signal Analysis-based Detection)を提案する。 TruthfulQAを含む複数のベンチマークにおいて、HSADは従来の最先端手法に比べて10パーセント以上の改善を実現している。
  論文  参考訳（メタデータ） (2025-09-16T15:08:19Z)
• LSCD: Lomb-Scargle Conditioned Diffusion for Time series Imputation [55.800319453296886]
  欠落または不規則なサンプルデータを持つ時系列は、機械学習において永続的な課題である。 我々は,不規則サンプルデータのパワースペクトルの信頼性の高い計算を可能にする,異なるLombiable-Scargle層を導入する。
  論文  参考訳（メタデータ） (2025-06-20T14:48:42Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• F-SE-LSTM: A Time Series Anomaly Detection Method with Frequency Domain Information [10.113418621891281]
  F-SE-LSTMと呼ばれる新しい時系列異常検出法を提案する。 この方法は、2つのスライディングウィンドウと高速フーリエ変換(FFT)を用いて周波数行列を構成する。 F-SE-LSTMは、通常の時間領域や周波数領域のデータよりも識別能力が高いことを示す。
  論文  参考訳（メタデータ） (2024-12-03T14:36:24Z)
• Frequency-domain MLPs are More Effective Learners in Time Series Forecasting [67.60443290781988]
  時系列予測は、金融、交通、エネルギー、医療など、さまざまな産業領域において重要な役割を果たしてきた。 最多ベースの予測手法は、ポイントワイドマッピングと情報のボトルネックに悩まされる。 本稿では、時系列予測のための周波数領域上に構築された、シンプルで効果的なアーキテクチャであるFreTSを提案する。
  論文  参考訳（メタデータ） (2023-11-10T17:05:13Z)

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。