論文の概要: GSLAD: Prototype-Regularized Graph Structure Learning for Multivariate Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2609.15483v1
• Date: Mon, 14 Sep 2026 12:37:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.329073
• Title: GSLAD: Prototype-Regularized Graph Structure Learning for Multivariate Time Series Anomaly Detection
• Title（参考訳）: GSLAD:多変量時系列異常検出のためのプロトタイプ正規化グラフ構造学習
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 16.359227521428465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised multivariate time series anomaly detection methods typically identify anomalies through forecasting, reconstruction, or representation discrepancies. However, industrial faults may first alter inter-variable structural patterns while individual trajectories remain close to normal, resulting in weak anomaly signals. In this paper, we propose GSLAD, a prototype-regularized graph structure learning framework that uses structural deviations for anomaly scoring. GSLAD adopts a two-phase training strategy. First, a condition-aware graph learner and a graph-based forecaster are optimized with predictive supervision. The inferred normal graphs are then clustered into multiple structural prototypes representing different normal operating regimes, with edge-wise variability characterizing structural uncertainty. Deviations from these prototypes regularize the graph learner in the second phase, encouraging stable and regime-specific structural patterns. During inference, uncertainty-normalized structural deviation is combined with predictive deviation for anomaly scoring. Experiments on four industrial benchmarks demonstrate strong overall performance of GSLAD and confirm the effectiveness of structural deviation for anomaly detection and diagnosis.
• Abstract（参考訳）: 教師なし多変量時系列異常検出法は通常、予測、再構成、表現の相違を通じて異常を識別する。 しかし、産業断層は最初、個々の軌道が正常に近いままに変化し、弱い異常信号をもたらす。 本稿では,アノマライズのための構造偏差を用いたグラフ構造学習フレームワークであるGSLADを提案する。 GSLADは2段階のトレーニング戦略を採用している。 まず、条件対応グラフ学習器とグラフベースの予測器を、予測監督に最適化する。 推論された正規グラフは、異なる正常な操作状態を表す複数の構造的プロトタイプにクラスタ化され、エッジワイド変数は構造的不確かさを特徴付ける。 これらのプロトタイプからの逸脱は、グラフ学習者を第2フェーズで規則化し、安定した構造パターンとシステマティックな構造パターンを奨励する。 推測中、不確実性正規化構造偏差は異常スコアの予測偏差と組み合わせられる。 4つの産業ベンチマーク実験により, GSLADの全体的な性能が向上し, 異常検出および診断における構造偏差の有効性が確認された。

関連論文リスト

• JAPE: Joint Anomaly Prediction and Intrinsic Explanation in Multivariate Time Series [10.289043309687312]
  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。
  論文  参考訳（メタデータ） (2026-08-12T08:44:14Z)
• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• Causal Graph Profiling via Structural Divergence for Robust Anomaly Detection in Cyber-Physical Systems [25.567981742631005]
  公共インフラシステムにおける信頼性の高いサイバー攻撃検出のために設計された因果グラフに基づく異常検出フレームワーク。 CGADは、因果プロファイリングと異常スコアという2段階の監視フレームワークに従う。 因果構造を利用することで、CGADは非定常および不均衡な時系列環境において優れた適応性と精度を実現する。
  論文  参考訳（メタデータ） (2025-08-13T05:26:43Z)
• GCAD: Anomaly Detection in Multivariate Time Series from the Perspective of Granger Causality [6.491611485776723]
  本稿では,解釈可能な因果関係を用いて空間依存をモデル化し,因果パターンの変化によって異常を検出するフレームワークを提案する。 実世界のデータセット実験により,提案モデルがベースライン法よりも高精度な異常検出を実現することが示された。
  論文  参考訳（メタデータ） (2025-01-23T09:15:59Z)
• 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)
• 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)
• Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
  本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。 PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。 異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
  論文  参考訳（メタデータ） (2022-12-05T05:03:46Z)
• Stacked Residuals of Dynamic Layers for Time Series Anomaly Detection [0.0]
  多変量時系列における異常検出を行うために,終端から終端までの微分可能なニューラルネットワークアーキテクチャを提案する。 このアーキテクチャは、信号の線形予測可能なコンポーネントを分離するために設計された動的システムのカスケードである。 異常検出器は、予測残差の時間的構造を利用して、孤立した点異常とセットポイントの変化の両方を検出する。
  論文  参考訳（メタデータ） (2022-02-25T01:50:22Z)
• CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
  因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。 CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
  論文  参考訳（メタデータ） (2020-09-28T09:49:38Z)

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。